小红书NLP/多模态算法实习生-交易/商业化治理

ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：抖音电商算法团队，依托抖音、今日头条、番茄小说、红果短剧等产品，帮助用户发现、讨论并获得好物，享受美好生活；帮助商家高效经营，创建良性商业生态；激励创作并分享购物经验使用心得，构建有真诚有信息的电商内容氛围。在这个团队，我们不仅要通过推荐、广告和搜索算法搭建消费者和商家之间的桥梁，也要通过风控算法和治理算法去甄别违规行为，保护用户的购物体验，保护真正诚信经营的商家；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率，降低商家的经营成本；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户物流体验；另外我们还会用业界先进的数据科学技术为业务健康发展保驾护航。我们的使命：用算法的能力，让用户总能发现好东西，让美好生活触手可得。 1、深入理解抖音电商正向导购与逆向治理业务，基于大模型、多模态技术，优化商家/达人准入、发品、导购等全场景识别效果，同步探索语言、视频、推荐多模态融合方案，构建更强推荐系统； 2、迭代优化电商多模态大模型，强化其对治理规则、商品信息的理解与推理反思能力，通过业务域SFT、Cot、强化学习等技术，打造高准高召的识别能力，提升导购与治理审核智能化水平； 3、参与挖掘电商直播、短视频、图文等多类实体数据，对大规模网络及海量特征序列建模，支撑商家/商品分类、逆向标签挖掘等场景，助力精准识别潜在购物信号； 4、研究用户多模态交互（视频+直播+文字+行为）的复杂性，搭建统一框架实现内容理解与用户意图推理，高效映射内容消费到电商兴趣，提升人货匹配效率； 5、参与构建大规模图存储与图学习平台，完善商家、商品、达人、内容的关系链路，打造电商实体通用表征能力，赋能多模态业务落地； 6、协助推进电商比价、供给生态等战略支持工作，运用前沿深度学习算法，搭建商家/达人成长预测模型，支撑冷启动、潜爆、智能营销等业务需求。

1、负责CV 、NLP、多模态相关算法研发，面向包括但不限于多模态分类、图像分类、文本分类、目标检测、图像分割、内容质量评价等； 2、负责算法和系统迭代与进化，能够深入小红书业务场景，结合实际需求进行技木落地和创新； 3、面向基于内容理解技术的生态审核场景，包括单不限于商品审核、笔记审核、直播审核、账号审核等；

团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题介绍： 电商推荐算法是互联网商业变现的核心驱动力，目前我们有国内最大的兴趣电商分发场景以及最大的电商广告分发场景，我们希望借鉴生成式AI的成功思路，探索在电商推荐算法和架构上的颠覆性创新，解锁更大的算法效果提升空间。重点探索以下方向： 1）基于类Transformer结构的生成式推荐大模型技术，验证电商推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式； 2）研究电商推荐模态下的Tokenization以及COT相关算法优化； 3）算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率； 4）语言/推荐/视频等多模态模型的结合。 1、负责电商推荐及电商广告场景推荐大模型的算法优化，引入生成式AI技术，优化算法建模方法、模型结构、特征和样本等，提升电商分发效率； 2、验证推荐大模型的Scaling Law，应对大模型训练中的一切新挑战； 3、挖掘有效的用户行为，不限于Sideinfo、Action_Type等，同时研究行为聚合算法； 4、算法和工程高度融合、协同设计，极致优化推荐大模型的训练及推理效率。

团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题介绍： 电商推荐算法是互联网商业变现的核心驱动力，目前我们有国内最大的兴趣电商分发场景以及最大的电商广告分发场景，我们希望借鉴生成式AI的成功思路，探索在电商推荐算法和架构上的颠覆性创新，解锁更大的算法效果提升空间。重点探索以下方向： 1）基于类Transformer结构的生成式推荐大模型技术，验证电商推荐场景的Scaling Law，探索面向大模型的特征工程以及算法建模范式； 2）研究电商推荐模态下的Tokenization以及COT相关算法优化； 3）算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率； 4）语言/推荐/视频等多模态模型的结合。 1、负责电商推荐及电商广告场景推荐大模型的算法优化，引入生成式AI技术，优化算法建模方法、模型结构、特征和样本等，提升电商分发效率； 2、验证推荐大模型的Scaling Law，应对大模型训练中的一切新挑战； 3、挖掘有效的用户行为，不限于Sideinfo、Action_Type等，同时研究行为聚合算法； 4、算法和工程高度融合、协同设计，极致优化推荐大模型的训练及推理效率。