快手推荐算法工程师-【内容消费】
任职要求
1、数据驱动，洞察效率瓶颈与系统问题，制定提升分发效果的长期规划； 2、对搜索、推荐与广告算法其一有深入研究，关注前沿技术发展方向，包括但不限于生成式推荐、LLM4Rec、超大规模序列建模、多任务学习等算法； 3、熟悉开源深度学习框架…
工作职责
1、参与亿级用户规模的内容消费（短剧、小游戏、小说）推荐优化，包括不限于召粗精级联模型、推荐大模型与机制策略，提升内容观看&阅读&游玩时长、广告变现、付费转化、留存等核心指标； 2、设计推荐与广告流量协同的创新方案，打造一体化的分发引擎，发挥数据协同优势，提升整体分发效率，提升用户体验与转化； 3、设计和开发全域投放产品，制定合适的技术方案，提升客户投广撬动自然流量的能力，满足客户经营需求，长期牵引客户与内容供给增长，进而带动长期收入增长。
团队介绍：TikTok是一个覆盖150个国家和地区的国际短视频平台，我们希望通过TikTok发现真实、有趣的瞬间，让生活更美好。TikTok 在全球各地设有办公室，全球总部位于洛杉矶和新加坡，办公地点还包括纽约、伦敦、都柏林、巴黎、柏林、迪拜、雅加达、首尔和东京等多个城市。 TikTok内容发现团队负责的产品功能涵盖TikTok所有内容分发的场景，包括首页的搜索、推荐信息流等核心场景，通过个性化手段以及产品功能来满足用户发现内容的诉求。 在这里， 有大牛带队与大家一同不断探索前沿， 突破想象空间。 在这里，你的每一行代码都将服务亿万用户。在这里，团队专业且纯粹，合作氛围平等且轻松。 1、负责TikTok算法工作，共同建设业界最为领先的推荐系统，为全球超10亿用户提供最好的内容消费体验； 2、针对推荐中的人群破圈，多目标优化，兴趣探索，推荐时效性，作者长期价值建模等行业前沿挑战，结合大模型等行业先进技术，对现有推荐系统的模型和策略进行迭代和改进； 3、支持TikTok核心内容垂类的规模增长，包括新闻、体育、影视、短剧等，帮助TikTok实现新的增长动力； 4、对平台优质作者的流量结构，收入和投稿体验进行建模和优化，帮助TikTok成为全球专业创作者平台； 5、和产品以及数据科学团队紧密合作，对用户、作者的行为做深入的理解和分析，制定针对的算法策略促进生态良性发展。
1. 负责利用大模型能力建立内容产品相关的多模态内容理解能力，包括不限于多模态特征对齐、标签提取、评价生产、总结、embedding表征等工作。 2. 应用大模型和推荐算法等技能，优化内容个性化排序模型策略，提升内容消费率、点击率等核心指标。 3. 结合业务数据，负责大模型的Prompt工程、微调、对齐、知识增强等技术探索，持续改进和优化现有模型。
团队介绍：抖音推荐团队，负责抖音的推荐算法，直接为抖音的核心用户体验负责，涉及内容消费，社交，直播，推送，同城，电商各个场景。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、CV/NLP等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以通过对产品的深度理解和思考，将算法应用到业务中去；也可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 1、负责抖音核心的业务推荐算法工作，与来自国内外顶级名校、有丰富业界经验的同学合作，共同搭建行业顶尖的推荐系统，为用户提供一流的产品体验； 2、将前沿的机器学习技术应用到抖音的核心场景业务，优化用户体验促进业务发展； 3、研究方向包含且不局限于：深度学习、图神经网络、多任务学习、learning to rank、模型压缩和加速、多模态技术等，结合业务的实际问题来做好技术的探索和研究； 4、和产品、运营团队紧密合作，通过对产品和用户的深入理解和分析，制定算法策略促进抖音生态的长期繁荣发展。
团队介绍：Data-抖音团队，负责抖音APP的推荐算法、内容算法、对话算法及大数据工作，对接各场景业务（短视频，直播，图文，电商，社交，生态，投稿，消息，同城，生活服务，音乐，评论，内容理解&安全、智能对话等）。我们的工作涉及大规模推荐算法的优化、复杂约束的优化问题的解决、内容理解、LLM应用以及新业务方向探索、CV/NLP等多个学术领域的算法改进工作、对多种场景的推荐架构的设计和实现和对产品数据的复杂深入的分析工作。在这里，你可以深入钻研机器学习算法的改进和优化，探索工业界最领先的推荐系统架构和推荐大模型算法、可以通过使用最新的大模型等技术支持抖音的数字人、智能客服、AI工具等创新探索；可以通过对产品的深度理解和思考，将算法应用到业务中去；也可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 抖音作为全球领先的综合性内容平台，拥有庞大的用户群体和多元化的业务生态。在设计如此大规模的推荐系统时，面临社交网络复杂、电商用户兴趣跨域迁移困难、内容与用户冷启动样本稀疏、直播推荐多目标融合效能不足、兴趣重复密集探索不足等多重挑战。 具体表现为：用户社交网络规模达万亿级，传统图算法难以高效地建模动态社交行为与内容消费的耦合关系；用户从内容兴趣到电商兴趣的迁移依赖跨域多模态理解与动态映射，现有方法难以捕捉潜在电商转化信号；新内容和新低活用户冷启动阶段样本量少，传统协同过滤与内容推荐方法泛化能力弱；直播推荐需实时融合点击、互动、消费等多目标信号，但启发式规则难以平衡用户长期体验与短期价值；兴趣密集追打问题严重，新兴趣探索效率不高。 1、社交网络增强的跨域兴趣建模：结合图神经网络（GNN）与大语言模型（LLM），构建用户全生命周期行为图谱，融合社交关系、内容互动与电商行为，挖掘社交网络中的社团结构与跨域兴趣传播路径； 2、兴趣迁移与转化信号捕捉：通过跨域对比学习与对抗生成技术，构建内容兴趣到电商兴趣的隐式映射网络，结合强化学习动态调控探索与利用，兼顾推荐精准性与多样性； 3、多模态小样本冷启动优化：利用LLM的Few-shot推理能力，通过内容语义理解与外部知识增强，设计元学习框架实现新ID特征与泛化特征的联合表征，缓解冷启动数据稀疏问题； 4、多目标融合与长短期价值平衡：基于大模型的泛化能力与长上下文感知，统一建模直播多目标（点击、时长、打赏等）的分布偏差与动态权重，设计个性化融合策略，替代传统多阶段漏斗架构，提升实时推荐效率； 5、兴趣密集与兴趣探索：通过用户兴趣画像建模与强化学习技术，实时捕捉用户消费与兴趣变化，缓解兴趣密集问题，为用户探索新的兴趣。