小红书【Ace顶尖实习生】基于大模型的生成式推荐探索
任职要求
1、不限年级，本科及以上在读，计算机/人工智能/软件工程等相关专业优先； 2、扎实的编程能力和算法功底，熟练掌握Python/C++/Java等至少一种编程语言； 3、扎实的机器学习/深度学习理论基础，有大规模推荐系统、计算广告、搜索引擎等核心算法项目经验； 3、有LLM/MLLM等多模态理解技术背景，…
工作职责
当前推荐算法主要依赖用户行为做相关性建模，基于正负反馈信号动态调整用户兴趣表示。这种建模方式在用户意图理解、复杂偏好刻画及跨领域知识利用和泛化性方面仍存在明显局限：一方面，行为信号往往稀疏且滞后，导致兴趣调节效率有限；另一方面，推荐模型缺乏对高维世界知识的有效提取、整合与推理能力，难以深入理解用户真实需求及其潜在偏好。尤其对于低活跃、低消费或行为样本不足的用户群体，现有方法较难显著提升推荐效果与用户体验。 近年来，大模型在知识表征、语义理解、逻辑推理和泛化能力方面展现出显著优势，为突破当下推荐系统瓶颈提供了新的技术路径。通过探索大模型与推荐系统的深度融合，有望增强系统对用户意图的精准感知能力，提升对复杂兴趣和长尾需求的理解水平，可进一步推动推荐系统向更加智能化、个性化和人性化的方向发展。
在搜索等实际线上业务中，推理速度限定了线上可用的模型大小以及可达效果，当前的基于transformer架构的大模型基座在推理速度上存在系统性瓶颈。本课题探索基于创新框架，如diffusion LLM和linear attention model的大模型基座范式，从数据、模型预训练、后训练、AI Infra、评测等方向探索模型效果极限。
传统的AI搜索依然基于RAG框架，少有的几个Agent框架也只涉及QueryPlanning，距离真实解决搜索中的实际问题还相距很远，例如做旅游攻略、做行业研究报告等等。我们判断，虽然当下LLM已经大范围的用于搜索领域，但是下一代的搜索技术变革一定是基于Agent的。本课题旨在研究基于Agent框架的基座模型。
在商业化业务中，尤其是腰尾客户的广告投放过程中，平台的复杂度和需求的匹配落地是巨大的卡点，通常需要代理商和投手去服务；同时过程中成本和服务质量都是不确定性很高的变量，对于商家的经营有着巨大的影响。通过AI代理的研究，能够在了解客户需求的前提下（通过sop可以明确绝大部分需求），通过系统内部更精准的数据，以及可直接操作落地的skill（API接口），实现交互式的高质量执行落地，大幅提升客户的投放效率，同时提升平台有限流量下的客户承载能力，最终实现平台收入提升的目的。 过程中涉及到诸多技术方向，包括但不限于 商业化诉求理解、基于agentic rag的信息提取、更精准更个性化的memory机制设计、multi-agent流程设计（和客服、aigc等agent交互）；具体技术手段如通过如知识图谱做信息管理、过程管理等手段提供精准交互，通过后训练、AI Infra的优化实现小红书营销策略的下放。
传统的推荐系统通常被称为“猜你喜欢”，主要依赖用户的历史行为来推荐（猜）用户可能喜欢的物品。从大量用户之声的数据看，很多用户对推荐结果并不满意，提出了明确的改进诉求，但传统推荐系统无法理解这些诉求。基于Agent的交互式推荐系统旨在为用户提供一个智能助理，让用户通过自然语言表达自己对推荐结果的定制化需求（如多出/少出哪类内容），再通过调用相关skills来干预推荐结果以满足用户需求，让用户跟推荐系统间实现自然的交互，颠覆传统只靠”猜“的推荐模式。这种针对性满足用户需求的功能一定可以大幅提升用户的满意度，增加用户粘性。 这其中有很多技术问题需要解决，包括用户需求的理解、skills的编排调用、物品内容和用户指令间相关性的识别、用户指令特征跟行为特征的融合等，很值得深入研究。