哔哩哔哩推荐算法实习生【2027届】

1、参与 B 站推荐算法与内容理解优化工作，解决B站UP主和内容生态中的各项问题，构建更好的内容生态系统。 2、参与基于大语言模型和 Agent 的内容分析能力建设，将非结构化社区信息转化为可用于推荐系统的信号。 3、通过挖掘海量用户行为数据，分析内容分发中的痛点问题，并推动算法策略优化。 4、探索 LLM/Agent 信号在推荐系统各环节的应用方式。 5、参与构建智能分析工具与自动化工作流，提升研发效率。

【团队介绍】 唯品会推荐算法团队，是驱动唯品会电商业务增长的核心技术引擎之一。我们负责从召回、粗排、精排、重排、混排的全链路推荐算法，并深入探索大模型、生成式推荐、高性能计算等前沿领域，持续优化用户体验与商业效率。 我们所负责的推荐场景涉及全部唯品会APP及小程序，包括首猜一跳/二跳（档期流/档期列表页），首页关键栏目（今日特卖入口/落地页商品feeds），购中场景（品牌全部商品列表页，购物车底部feeds 等），购后场景（个人中心等场景底部feeds），用增承接推荐（广告/push等承接页feeds）。 方向一：推荐召回/排序/混排 该方向旨在构建业界领先的全链路推荐算法体系与极致性能的系统架构，通过对用户行为的深度建模、模型结构的持续创新以及系统层面的极致优化，在复杂的电商场景下实现更精准、更高效的个性化推荐。关键问题如下： 1、Scaling Law 与算力探索：探索唯品会推荐召回/排序模型的 Scaling Law，与工程团队探索 GPU 能力边界，充分压榨算力，对用户序列和模型参数量持续 Scale Up。 2、召回模型演进：参与唯品会推荐召回模型 loss/label/采样方式的探索优化，在召回多兴趣、召回突破内积等方向上继续向前探索突破。 3、List-wise 混排模型演进：参与唯品会推荐 list-wise 混排模型的演进，探索上下文感知的重排策略，在自然流量、扶持流量、广告流量的融合排序中实现全局收益最大化。 4、生成式推荐落地：探索生成式推荐（GRs）在唯品会业务中的实际落地，研究如何将生成式范式应用于召回与排序，实现从判别式到生成式的架构升级。 5、业务理解与特征构造：充分理解品牌特卖电商业务的独特性，深入挖掘档期、品牌、用户行为等维度的业务信号，构造高质量特征，将业务理解转化为模型增益。 6、稀疏用户推荐优化：针对新客、低频用户、小程序等无/少行为用户群体，针对性地进行模型结构、特征工程、样本构造等方面的优化，解决数据稀疏与冷启动问题，提升长尾用户的推荐体验与转化效率。 方向二：大模型/多模态技术在推荐场景的直接应用 该方向聚焦多模态大模型技术与推荐系统的深度融合，从商品/品牌的语义理解、创意元素的智能分发到多模态内容的自动化生成，构建"理解→分发→生成"的完整技术闭环，全面提升推荐系统的内容理解能力与用户体验。关键问题如下： 1、多模态商品与品牌理解：基于多模态 LLM，对商品与品牌的图文信息进行深度语义理解，包括商品属性抽取、品牌调性识别、卖点提炼等。研究相应语义信号的预训练方法，探索多模态表征与传统推荐模型的对齐策略（如对比学习、蒸馏等），将大模型的语义理解能力有效注入推荐系统，提升召回与排序的效果。 2、智能 UI 与创意分发优化：研究推荐链路中的智能 UI 策略，对图片、文案、推荐理由等创意元素进行个性化分发优化。重点攻克创意元素 cross 候选 item 笛卡尔积场景下的分发建模与算力优化问题，在保证推理效率的前提下，实现创意与用户兴趣的精准匹配，最大化每一次曝光的点击率与转化效率。 3、多模态内容生成：利用大模型与 AIGC 技术，探索推荐业务中所使用到的图、文、图+文、短视频等多种形态内容的自动化生成。包括创意文案撰写、商品主图优化、短视频素材生成等，提升内容生产效率与多样性，丰富推荐内容生态。

-负责爱奇艺智能分发团队推荐算法相关的工作，参与爱奇艺推荐业务的算法研究与开发； -对海量用户行为数据进行分析与挖掘，提取有价值的信息，为推荐算法的改进提供数据支持。

1.基于LLM、协同过滤、信息检索、图算法等技术优化推荐算法效果，提高产品体验与流量效率； 2.利用数据、经验和客观规律，改善生态环境，提升运营能力； 3.探索LLM等技术的应用创新，探索LLM4Rec在业务上的真实落地