哔哩哔哩推荐算法工程师（首页/直播推荐）【2026届】

小红书社区推荐算法-首页推荐方向立足于小红书首页多业务的内容分发场景，优化视频/图文/电商/广告/直播等业务的分发算法，提升用户体验，助力商业营收，同时探索机器学习、人工智能和大模型等前沿技术在工业界的落地。 主要工作包括： * 排序模型：点击率、互动率、时长等预估模型，以及生成式模型 * 机制策略：混排/重排机制、多样性机制、多目标融合机制等

1、参与亿级用户规模的电商推荐优化，提升包括商品推荐(首页猜你喜欢)、内容推荐(直播、短视频)在内的泛货架电商的GMV、订单量、用户留存等核心指标； 2、通过深度学习领域的研发工作，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、长期价值建模等算法和系统提升预估效果； 3、持续关注前沿技术发展方向，参与推荐系统架构的长期技术演进与技术攻坚； 4、通过推荐算法机制优化电商流量结构和GMV结构，促进电商生态的健康发展。

团队介绍 短视频推送算法团队负责整个短视频的站内、站外以及消息页的消息发送策略与算法，是带来活跃用户增长最大的团队之一。在每天，我们有数以千万计的用户通过推送消息打开短视频首页，并获取到他们感兴趣、有价值的内容，重拾对短视频的兴趣。而你的技术产出，将有机会直接触达数亿用户，创造巨大的价值。我们以打造世界领先的推送系统为目标，深耕最前沿的推送技术，为用户在最恰当的时机提供最合适的推送内容，也为短视频创造更坚实的用户基础与长期价值。 职位介绍： 1、优化推送发送时机策略与模型。基于Reinforcement Learning、深度时序模型等提升系统择时&择频的能力，提升用户体验与相关指标； 2、应用主流和前沿的机器学习模型，如DeepFM, Uplift model, Deep Retrival, DIN等，进行召回&粗排&精排模型优化，包括模型结构优化、特征工程以及模型性能优化等； 3、基于海量数据搭建业内领先的推送模型、策略和架构，建模用户兴趣，提升用户体验； 4、负责业务场景中的某个模块，如社交推送、直播推送、热点推送等，与产品、运营团队一起，对模块的未来发展进行规划和设计，制定推送&推荐策略的目标； 5、进行推送内容创意的优化，包括自动生成&选择最优的文案内容、图片等素材，自动文案审核等工作； 6、通过推送的方式助力业务增长，相关业务包括社交、直播、热点、UserGrowth等。独立负责业务场景中的某个模块，与产品、运营团队一起，对模块的未来发展进行规划和设计，制定推送&推荐策略的目标； 7、技术方向：发送时机策略与模型、内容召回，排序与聚合、内容创意增长，利用海量数据搭建业内领先的机器学习算法和架构，建模用户兴趣，提升用户体验。

Team Introduction： The team primarily focuses on recommendation services for the International E-commerce Mall, covering information flow recommendation in core scenarios such as the mall homepage, transaction funnels, product detail pages, stores & showcases. Committed to providing hundreds of millions of users daily with precise and personalized recommendations for products, live streams, and short videos, the team dedicates itself to solving challenging problems in modern recommendation systems. Through algorithmic innovations, we continuously enhance user experience and efficiency, creating greater user and social value. Project Background/Objectives: This project aims to explore new paradigms for large models in the recommendation field, breaking through the long-standing structures of recommendation models and Infra solutions, achieving significantly better performance than current baseline models, and applying them across multiple business scenarios such as Douyin short videos/LIVE/E-commerce/Toutiao. Developing large models for recommendation is particularly challenging due to the high demands on engineering efficiency and the personalized nature of user recommendation experiences. The project will conduct in-depth research across the following directions to explore and establish large model solutions for recommendation scenarios: Project Challenges/Necessity: The emergence of LLMs in the natural language field has outperformed SOTA models in numerous vertical tasks. In contrast, industrial-grade recommendation systems have seen limited major innovations in recent years. This project seeks to revolutionize the long-standing paradigms of recommendation model architectures and Infra in the recommendation field, delivering models with significantly improved performance and applying them to scenarios like Douyin short video and LIVE. Key challenges include: High engineering efficiency requirements for recommendation systems; Personalized nature of user recommendation experiences; Effective content representation for media formats like short videos and live streams. The project will address these through deep research in model parameter scaling, content/user representation learning, multimodal content understanding, ultra-long sequence modeling, and generative recommendation models, driving systematic upgrades to recommendation models. Project Content: 1. Representation Learning Based on Content Understanding and User Behavior 2. Scaling of Recommendation Model Parameters and computing 3. Ultra-Long Sequence Modeling 4. Generative Recommendation Models Involved Research Directions: Recommendation Algorithms, Large Recommendation Models. 团队介绍： 推荐与营销团队，主要负责国际电商商城推荐业务，涵盖商城首页、交易链路、商品详情页、店铺&橱窗等多个核心场景的信息流推荐业务，致力于每天为亿量级用户提供精准个性化商品、直播、短视频推荐服务；团队致力于解决现代推荐系统中各种有挑战的问题，通过算法不断提升用户体验和效率、创造更大的用户和社会价值。 课题背景/目标： 本项目旨在探索推荐领域下的大模型新范式，突破现在持续了较长时间的推荐模型结构和Infra的方案，且效果大幅好于现在的基线模型，在抖音短视频/直播/电商/头条等多个业务场景上得到应用。推荐领域的大模型是比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，本课题会以下多个方向来做深入的研究，探索和建设推荐场景的大模型方案。 课题挑战/必要性： 自然语言领域LLM的出现，效果在众多垂直任务上都好于sota模型，从推荐领域看过去工业级推荐系统在较长的时间没有大幅的变化过。本项目旨在探索推荐领域下的大模型方案，改变现在持续了较长时间的推荐模型结构和Infra的基本范式，且效果大幅好于现在的模型，在抖音短视频/直播等多个业务场景上得到应用。但是怎么做好推荐领域的大模型也是一个比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，以及如何短视频、直播等体裁上做号内容的表征也是需要被解决的问题，这里会从模型参数scaling up、内容和用户的表征学习、内容理解多模态、超长序列建模、生成式推荐模型等多个方向来做深入的研究，对推荐场景的模型做系统性的升级。 课题内容： 1、基于内容理解和用户行为的表征学习； 2、推荐模型参数和算力scaling up； 3、超长序列建模； 4、生成式推荐模型。 涉及研究方向：推荐算法、推荐大模型。