logo of bytedance

字节跳动NLP/多模态资深算法工程师-意图理解/热点挖掘方向

社招全职A148704地点:上海状态:招聘

任职要求


1、扎实的机器技术基础,了解前沿的AI技术,熟悉大数据相关框架和应用;
2、计算机科学或相关领域的本科及以上学历;
3、扎实的编程能力和深厚的数据结构算法基础:精通NLP计算机视觉(CV)和多模态中的1-2个领域,具备模型训练的实际应用经验;
4、有大模型实际落地经验,有在内容安全和电商领域经验者优先;
5、具备良好的团队合作精神,较强的沟通能力,一起探索和推进新技术落地;
6、有管理经验者优先,电商业务经验者优先。

工作职责


1、领导CCR&VOC算法团队,制定技术发展方向和策略;
2、通过优化CCR方向算法,探索基于大模型和多模态模型的技术方案,提高指标的准确率和业务的实用性;
3、通过优化VOC方向算法,探索大模型技术方案,提高风险挖掘能力;
4、与产品和运营团队紧密合作,确保CCR指标的准确性和稳定性,推动CCR指标作为电商的核心指标;
5、关注业内新技术动态,推动新技术在CCR&VOC方向的应用和落地。
包括英文材料
大数据+
学历+
数据结构+
算法+
NLP+
OpenCV+
大模型+
相关职位

logo of bytedance
社招A119201

1、领导CCR&VOC算法团队,制定技术发展方向和策略; 2、通过优化CCR方向算法,探索基于大模型和多模态模型的技术方案,提高指标的准确率和业务的实用性; 3、通过优化VOC方向算法,探索大模型技术方案,提高风险挖掘能力; 4、与产品和运营团队紧密合作,确保CCR指标的准确性和稳定性,推动CCR指标作为电商的核心指标; 5、关注业内新技术动态,推动新技术在CCR&VOC方向的应用和落地。

更新于 2024-11-11
logo of 58
社招2年以上技术类

职位描述: 我们正在搭建国际化的在线分类信息平台,致力于通过技术创新提升用户体验和平台效率。寻找有才华的算法工程师加入我们的团队,专注于搜索算法、推荐算法和自然语言处理方向的开发与优化。 您将与跨职能团队紧密合作,通过先进的算法技术推动用户增长、提升平台流量以及增强用户对我们的服务的满意度,充分给同学们提供成长的机会。 岗位职责: 搜索算法方向: *使用自然语言处理技术(如语义匹配、实体识别、意图分类等)强化query意图识别 *优化搜索相关性,提升用户查询与结果之间的匹配度。 *开发和改进排序模型、语义理解模型、召回模型等,提高搜索体验。 推荐算法方向: 构建个性化推荐系统,设计高效的召回、排序及多目标优化算法,提升用户留存与转化率。 持续改进推荐策略,优化长尾物品推荐效果。 NLP算法方向: 开发自然语言理解模型,支持搜索、推荐等核心功能。 在商品描述生成、用户意图解析和文本审核等场景中应用先进的NLP技术。 探索大模型技术在分类信息平台中的应用场景,探索电商、二手车等领域中大模型的应用落地,承担大模型预训练和调优等工作,如prompt设计、fine-tuning、模型蒸馏等。 持续跟踪算法领域的最新进展,将前沿技术应用于实际业务。 支持模型在生产环境的部署和调优,确保高效、稳定运行。

更新于 2025-04-02
logo of ctrip
社招住宿业务AI &

【】 - 主导设计与研发:负责基于大语言模型(LLM)的核心信息解析引擎,聚焦于深层语义理解、意图识别与多模态知识抽取。 - 构建前沿模型:架构并实现业界领先的NLP算法模型,持续优化模型性能,挑战信息提取任务在准确性、效率与泛化能力上的极限(SOTA)。 - 探索技术边界:追踪并引入NLP及AIGC领域的前沿技术(如RAG、Fine-tuning策略、AI Agent等),探索其在业务场景中的创新应用,构建公司技术护城河。 - 垂域探索:探索大语言模型(LLM)在酒店垂域下的推荐应用。 - 驱动技术落地:与产品、工程团队紧密协作,推动算法方案从原型验证到生产环境的完整生命周期,确保技术方案的稳定、高效与可扩展性。 【

更新于 2025-09-25
logo of xiaohongshu
社招内容理解

在算力驱动的 AGI 和人文精神的烟火气交汇之处,我们真诚邀请对 AI 技术有信仰的同学加入,共同打造更具影响力的智能系统。你会成为团队的一员,并和其他同事协作,共同研发 SOTA 的智能技术。期待你以务实和客观的科学态度来推进技术的进展,不被过往经验裹挟、不被主观偏好影响。期待你除了算法外仍然是为出色的工程师。期待你对技术有强烈的好奇心和开放心态,以未来几年 AI 技术的质变突破为目标。 岗位说明:你会负责下述至少一件事情 1.海量数据的处理:定性分析、定量评估数据质量,并给出 scalable 的改进方案,对数据采集和处理流程不断提出新的要求和改进方案。 2.模型的改进:在 Large Scale 上迭代并改进模型使其更加的高效(capacity per flops / improvement per flops),或者提升模型的 scale up 后的稳定性 3.研究并改进 Scale Law,随着模型的变化给出 Large Scale 上的技术选择(例如参数/数据比、不同超参数设置等) 4.多模态:研发多种模态作为输入/输出的 Large Scale 模型