网易用户增长实习生（破次元恋人 Ai虚拟聊天方向）

1、基于APP内角色和玩法，定向招募UGC进行站外分享，并结合小红书、B站、抖快等平台玩法和规则，进行站外多元渠道探索营销，带来目标用户的转化 2、负责通过激发app内的核心用户自传播，并基于站外自传播内容进行精准的助推放大，带来高质量用户规模 3、能通过站内核心用户运作，设计任务体系牵引，加强用户势能，成为平台可控的核心用户并配合站外流量玩法，带来用户增长 4、了解&熟悉自媒体平台，能针对各个平台特性结合同人群体特点，牵引用户分享内容方向，打造UGC站外爆帖

实习周期： 3个月起（每周到岗≥4天） 1、用户生命周期运营：协助制定用户转化路径优化方案，设计各类玩法活动及落地，通过漏斗分析定位流失节点，配合运营团队完成策略落地； 2、用户深入研究：使用Excel进行基础数据处理，监控核心指标（会sql者更佳），深入洞察用户，定期进行用户研究，提炼00后用户痛点和传播嗨点； 3、破圈创意实验室：策划“声控福利社”“CV空降日”等轻量运营活动，提升社区活跃度，参与“712”，“年度盛典”等重大活动，增强用户活跃粘性； 4、社区生态洞察：监控竞品动态，输出行业趋势洞察简报。

【职位描述】 1. 垂类活动策划与执行：基于平台DAU增长目标，协助完成用户画像分析及热点挖掘，参与策划站内外垂类主题活动/赛事，协助活动落地执行，跟踪活动数据表现（参与度、内容供给量等），输出效果复盘报告。 2. 创作者孵化与生态建设：挖掘高潜力创作者，跟踪创作者内容生产数据，帮助创作者跃迁成长。 3. 创作者品牌影响力拓展：协助策划全网传播事件，参与创作者及内容破圈方案设计；监测创作者跨平台声量数据，定期输出竞品案例与行业趋势报告等。 4.其他日常工作

团队介绍：字节跳动推荐架构团队，负责字节跳动旗下相关产品的推荐系统架构的设计和开发，保障系统稳定和高可用；负责在线服务、离线数据流性能优化，解决系统瓶颈，降低成本开销；抽象系统通用组件和服务，建设推荐中台、数据中台，支撑新产品快速孵化以及为ToB赋能。 课题介绍： 1、课题背景 在人工智能技术高速发展的背景下，推荐系统作为信息过滤与个性化服务的核心，面临多重挑战： （1）数据爆炸与模型复杂化 用户行为序列数据量呈指数级增长（百亿至千亿级/日），存储需求从单用户长序列扩展至多模态数据（文本、视频、Embedding等），传统存储架构面临读写性能瓶颈与成本压力；推荐大模型对数据质量敏感度提升，数据分布异常可能导致模型效果显著下降，亟需系统性数据质量评估与改进方法。 （2）异构计算与多模态处理需求 随着生成式AI（GenAI）的普及，多模态特征处理成为刚需，传统基于CPU的大数据框架（如Spark/Hadoop）难以高效处理非结构化数据，GPU/DPU等异构计算资源利用率不足；数据处理流程与模型训练脱节，ETL环节耗时长，CPU-GPU协同效率低下，导致算法迭代周期延长。 在此背景下，以数据为中心的人工智能（DCAI）与异构计算技术成为破局关键： -DCAI 强调通过数据质量优化与自动化处理链路提升模型性能，而非单纯依赖模型改进； -异构计算 通过统一调度CPU、GPU、DPU等资源，加速多模态数据处理与模型训练，实现降本增效。 2、课题目标 （1）构建支持多模态数据的低成本高性能存储引擎：支持百亿级用户行为序列与多模态数据混合存储，实现读写延时与存储量解耦，满足PB级数据天级回溯需求； （2）设计自适应数据演化的Schema管理机制：动态兼容特征增删改，确保训推一致性，降低模型迭代中的数据迁移成本； （3）研发多模态数据异构计算框架：实现CPU-GPU-DPU协同计算，加速ETL、特征处理与模型训练，提升资源利用率30%以上； （4）建立数据质量与模型性能的量化评估体系：开发自动化工具链，通过强化学习优化数据清洗、增强与异常检测流程； （5）打造以Python为核心的开发者生态：提供灵活API与可视化工具，支持快速接入多模态数据处理与DCAI优化链路。 3、研究内容 （1）多模态存储引擎与编码优化 - 混合存储架构 - 分层设计：行为序列采用时间分区+LSM-Tree存储，多模态数据（如图像/文本）采用对象存储+元数据索引，结合CXL内存池化技术降低访问延迟； - 编码优化：针对用户行为序列设计变长Delta编码，多模态数据采用深度学习压缩模型（如VAE），压缩比提升50%以上。 -Schema动态演化 - 开发基于Protobuf的版本化Schema语言，支持特征字段热更新，兼容历史数据回溯训练。 （2）异构计算框架与资源调度 - 计算引擎整合 - 基于Ray构建统一数据湖，实现Spark/GPU算子混合编排，数据从ETL到训练Tensor化零拷贝传输； - 设计DPU加速层，将哈希计算、特征编码等操作卸载至智能网卡，释放CPU/GPU算力。 - 多模态处理优化 - 文本/视频数据采用GPU流水线预处理，利用NVIDIA RAPIDS加速特征提取； - Embedding数据通过量化感知训练（QAT） 减少显存占用，支持FP16/INT8混合精度计算。 （3）数据质量与DCAI自动化链路 - 质量评估体系 - 定义多维度指标：时空一致性（行为时序异常检测）、模态对齐度（图文匹配校验）、噪声容忍阈值（基于模型鲁棒性反推）。 - 自动化优化工具 - 开发强化学习代理，根据模型反馈自动选择数据清洗策略（如GAN-based数据增强 vs. 规则过滤）； - 构建因果推理模块，定位数据分布偏移对模型AUC下降的贡献度，生成根因分析报告。 （4）开发者生态与效能提升 - Python原生接口 - 提供声明式数据处理DSL，支持通过Python装饰器定义GPU加速算子（如@gpu_map）； - 集成Jupyter可视化工具，实时展示数据质量热力图与模型性能关联分析。 - 效能监控体系 - 建立资源-质量-效果三维监控看板，跟踪存储成本、数据处理吞吐量、模型AUC等核心指标。