快手推荐模型算法工程师-【海外模型】
任职要求
1、熟练使用C++、Java 中至少一种编程技术，熟练使用多种语言加分，例如Python，Scala等； 2、计算机相关专业，本科及以上学历，三年以上相关实际工作经验； 3、对推荐算法有深入研究，同时精通常见机器学习算…
工作职责
1、参与亿级用户规模的视频推荐优化，提升停留时长、点击率、留存率等核心指标； 2、分析海量用户行为数据和视频数据，增加有效的特征，挖掘用户兴趣，优化排序机制； 3、通过超大规模机器学习模型和系统，使用先进的检索和排序手段，优化社区生态，优化快手的推荐效果； 4、参与搭建推荐系统框架，提供高并发，大数据，高效可靠的线上服务。
随着广告业务的飞速发展，广告推荐模型正迎来新一轮的范式升级。我们将全面推进 Scaling Up（模型参数量级扩大 + 用户行为序列拉长），以期打破现有模型效果的天花板。 为了承接这一极具挑战的算法演进，我们正在打造新一代广告核心 Infra，全面拥抱原生 PyTorch 生态、全 GPU 训推链路以及基于 UV（User View）的高效样本训练模式等。 加入我们，你将主导这场技术变革，通过极致的算法和工程 Co-Design，大幅提升模型算法迭代效率，最终直接驱动公司营销业务核心 GMV 的增长。 1. 模型 Scaling Up：针对推荐大模型（超大参数量、超长序列特征等），设计并实现序列和非序列特征统一建模新范式。 2. 新一代架构演进：深度参与广告推荐系统核心 AI 基础设施（AI Infra）的设计与研发，推动从传统架构向基于原生 PyTorch 的新一代推荐训练/推理框架平滑升级。 3. 算法与工程 Co-Design：与底层 AI Infra 团队深度协同，深刻理解底层全 GPU 分布式训练（数据并行/模型并行/流水线并行）的特性，通过“算法适配算力”与“算力支撑算法”的双向优化，最大化模型迭代效率。 6. 业务赋能：深入理解广告推荐算法业务线（CTR/CVR预估等），通过底层工程架构和模型算法优化，提升模型实验效率，助力业务指标（收入、GMV等）达成。
随着广告业务的飞速发展，广告推荐模型正迎来新一轮的范式升级。我们将全面推进 Scaling Up（模型参数量级扩大 + 用户行为序列拉长），以期打破现有模型效果的天花板。 为了承接这一极具挑战的算法演进，我们正在打造新一代广告核心 Infra，全面拥抱原生 PyTorch 生态、全 GPU 训推链路以及基于 UV（User View）的高效样本训练模式等。 加入我们，你将主导这场技术变革，通过极致的算法和工程 Co-Design，大幅提升模型算法迭代效率，最终直接驱动公司营销业务核心 GMV 的增长。 1. 模型 Scaling Up：针对推荐大模型（超大参数量、超长序列特征等），设计并实现序列和非序列特征统一建模新范式。 2. 新一代架构演进：深度参与广告推荐系统核心 AI 基础设施（AI Infra）的设计与研发，推动从传统架构向基于原生 PyTorch 的新一代推荐训练/推理框架平滑升级。 3. 算法与工程 Co-Design：与底层 AI Infra 团队深度协同，深刻理解底层全 GPU 分布式训练（数据并行/模型并行/流水线并行）的特性，通过“算法适配算力”与“算力支撑算法”的双向优化，最大化模型迭代效率。 5. 业务赋能：深入理解广告推荐算法业务线（CTR/CVR预估等），通过底层工程架构和模型算法优化，提升模型实验效率，助力业务指标（收入、GMV等）达成。
1、参与业内最前沿的排序模型的迭代工作，通过优化模型精度提升用户体验； 2、分析、理解用户数据和业务场景，设计适合业务发展的推荐算法和机器学习模型； 3、迭代业内最前沿的推荐算法，并落地到快手最大的消费场景中。
1、构建跨场景共享的推荐基础模型（Foundation Model），实现统一建模与高效推理； 2、推进事件序列驱动的生成式推荐范式，融合多模态理解与生成能力； 3、推动LLM技术在召回、排序、重混排环节的落地，参与模型训练、推理优化与系统Co-design； 4、探索LLM/VLM与推荐系统融合的创新路径，构建自适应、可演化的推荐智能体； 5、研究平衡性能与体验的端到端生成式推荐与系统优化方案。