字节跳动机器学习算法工程师-时效表达方向

方向一： 1. 负责支付宝行业运营平台内流量投放、增长相关的数据服务，包括：数据仓库（离线、实时）设计和研发、数据赋能业务的方案设计和推进运营场景需要的数据诉求； 2. 研究支付宝亿级用户的相关行为及数据，并基于分类、标注、聚类等机器学习手段，挖掘不同业务场景的业务标签； 3. 负责相关域的数据架构治理，包括集群管理、数仓架构管理、需求流程管理等。 方向二： 负责支付宝用户业务数据体系和增长解决方案建设，通过数据技术和数据科学手段为业务决策及策略落地提供支持，助力业务增长。 1、负责支C侧业务核心数据体系的设计，基于业务理解业务洞察指标体系，及时发现业务问题和机会，并沉淀数据资产和数据产品； 2、深入理解业务的战略和策略打法，敏锐洞察业务痛点，利用数据技术和数据科学手段为业务决策、产品方向、增长策略提供业务建议和方案； 3、协同技术和算法团队打造可持续数据解决方案，通过效果和效率的提升助力业务增长，推动业务模式和产品不断创新。

团队介绍：短视频平台算法团队，负责国际化短视频产品的基础推荐算法，加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地探索，推荐大模型的应用研究等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 课题介绍： TikTok作为全球领先的短视频平台，面临新用户数据稀疏导致的个性化推荐不足、直播推荐时效性要求高、用户兴趣多样性维护困难以及电商推荐系统链路复杂等多重挑战。传统推荐方法依赖历史行为建模，难以解决新用户冷启动问题，且直播推荐需在极短窗口期内（通常30分钟内）实时捕捉内容动态变化（如主播互动、流量波动），这对系统的实时感知与快速决策能力提出更高要求。此外，单列沉浸式场景放大了多样性问题，需平衡多峰兴趣学习与探索引发的内容穿越风险。当前电商推荐系统采用多阶段漏斗架构（召回-排序-混排），存在链路不一致、维护成本高、过度依赖短期价值预测等问题，导致用户易陷入内容同质化疲劳。 针对上述痛点，项目提出结合大语言模型（LLM）和大模型技术实现突破：一方面利用LLM的海量知识储备与Few-shot推理能力，通过注册信息与外部知识推理新用户潜在意图，缓解冷启动问题；另一方面，在社交偏好建模中融合GNN与用户全生命周期行为序列，提升兴趣预测精准度。同时，探索大模型的泛化能力、长上下文感知及端到端建模优势，简化电商推荐链路，增强实时动态适应性与兴趣探索能力，最终实现系统更简洁、推荐更精准、用户体验与留存双提升的目标，推动业务可持续增长。 1、负责TikTok的业务推荐算法工作，与来自国内外顶级名校、有丰富业界经验的同学合作，共同搭建行业顶尖的推荐系统，为用户提供一流的产品体验； 2、将最前沿的机器学习技术应用到TikTok的场景业务，包括混排/排序/多目标/召回/冷启动/探索/多样性/内容理解等等场景，不断优化用户体验，促进业务发展； 3、研究方向包含且不局限于：深度学习、图神经网络、多任务学习、Learning to Rank、模型压缩和加速、多模态技术等，结合业务的实际问题来做好技术的探索和研究； 4、和产品、运营团队紧密合作，通过对产品和用户的深入理解和分析，制定算法策略促进短视频生态的长期繁荣发展。

团队介绍：短视频平台算法团队，负责国际化短视频产品的基础推荐算法，加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地探索，推荐大模型的应用研究等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 课题介绍： TikTok作为全球领先的短视频平台，面临新用户数据稀疏导致的个性化推荐不足、直播推荐时效性要求高、用户兴趣多样性维护困难以及电商推荐系统链路复杂等多重挑战。传统推荐方法依赖历史行为建模，难以解决新用户冷启动问题，且直播推荐需在极短窗口期内（通常30分钟内）实时捕捉内容动态变化（如主播互动、流量波动），这对系统的实时感知与快速决策能力提出更高要求。此外，单列沉浸式场景放大了多样性问题，需平衡多峰兴趣学习与探索引发的内容穿越风险。当前电商推荐系统采用多阶段漏斗架构（召回-排序-混排），存在链路不一致、维护成本高、过度依赖短期价值预测等问题，导致用户易陷入内容同质化疲劳。 针对上述痛点，项目提出结合大语言模型（LLM）和大模型技术实现突破：一方面利用LLM的海量知识储备与Few-shot推理能力，通过注册信息与外部知识推理新用户潜在意图，缓解冷启动问题；另一方面，在社交偏好建模中融合GNN与用户全生命周期行为序列，提升兴趣预测精准度。同时，探索大模型的泛化能力、长上下文感知及端到端建模优势，简化电商推荐链路，增强实时动态适应性与兴趣探索能力，最终实现系统更简洁、推荐更精准、用户体验与留存双提升的目标，推动业务可持续增长。 1、负责TikTok的推荐算法工作，包括但不限于：视频推荐、内容理解、因果推断、智能增长等，为用户提供领先的产品体验； 2、结合机器学习技术和业务场景需求，运用包括强化学习、Graph Embedding、大模型、大规模计算等在内的前沿建模技能，解决业务痛点，提升线上效果； 3、与产品及运营团队紧密合作，对用户的行为进行深入理解和分析，制定合理高效的策略逻辑，促进生态的健康发展； 4、参与算法团队的基建工作，提升资源利用率、增强效果稳定性、优化开发流程等，持续提高团队成员的工作效率。

1、ETA 精准预测：深入研究影响包裹时效的各种因素，构建深度学习和统计模型，为电商物流提供端到端预计到达时间 (ETA) 预测。并结合商家行为/物流网络刻画等因子刻画降低ETA预测的不确定性； 2、个性化时效表达：构建基于因果推断的 ETA 表达模型， 基于用户画像、历史行为、偏好等数据，构建个性化的 ETA 展示策略和物流服务方案，为用户提供可靠/符合期待的物流服务体验； 3、因果推断驱动的决策优化：将因果推断应用于表达决策、分单决策等场景，制定更科学合理的决策方案，优化用户体验的同时促进消费者的购买转化； 4、在线动态决策：研究和开发基于在线优化技术的动态决策方案，做好表达准确率/超时率/不确定性/转化指标/体验指标之间的动态权衡； 5、包裹轨迹预测与异常检测：利用深度学习、时间序列分析等技术，对包裹的时空轨迹序列进行建模与预测，并结合因果推断识别潜在的异常情况，提前预警并采取干预措施，提升物流履约的稳定性和可靠性。