字节跳动算法策略产品实习生-生活服务
任职要求
1、本科及以上学历在读，计算机、通信、数据分析等相关专业优先；
2、实习周期半年以上，每周不少于4个工作日，全勤实习优先；
3、良好的中文基础，能够从语法、结构等角度抽…工作职责
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 团队介绍：生活服务业务依托于抖音、抖音极速版等平台，致力于促进用户与本地服务的连接。过去一年，生活服务业务开创了全新的视频种草和交易体验，让更多用户通过抖音发现线下好去处，也帮助众多本地商家拓展了新的经营阵地。我们期待你的加入，一同为亿万用户创造更美好的生活。 1、负责大语言模型在RAG知识问答、查询诊断类插件场景的落地，制定应用层的产品策略； 2、协同运营和研发，负责Agent产品的应答能力提升，包括知识运营及策略梳理，实现产品的核心指标提升； 3、负责各类模型的效果评测、归因，并制定模型的优化策略。
1、负责快手生活服务商家及商品准入的风险治理工作，熟悉相关政策法规，对商品发布规范进行管理，确保商品的完整性、一致性，确定性、合规性； 2、通过行业风险解读，联动风控、产研、算法、审核一线等团队，建立商品准入风险防控体系部署； 3、商家及商品生命周期内的风险深入挖掘分析，利用平台产品算法能力，制定合理有效的风险治理策略，综合评估风险管控收益与人力成本，实现商品风险事前防控的效率最优。
1、通过大数据分析，洞察风险产生链路及变化路径，挖掘账号行为特征等方式，负责建立快手生活服务场景中各主体（商家，商品，主播，买家等）的风险画像和风险分层模型，从数据的角度识别平台风险； 2、建设全链路风险监控体系和识别能力，开发风控策略，主动识别潜在风险，并根据业务和风险的变化，随时调整风控规则，模型和策略； 3、与业务团队紧密配合，结合业务策略，平衡业务发展和风险防控，制定最优的风险策略，为业务的快速健康发展提供风控保障； 4、具有产品化意识，与技术，数据，产品团队深度合作，推动风控策略在业务端的落地。
1. 参与美团App首页推荐全链路核心算法策略的优化迭代，通过海量数据分析挖掘、超大规模深度学习实践、供给/召回/排序/机制算法升级，结合产品形态的优化与创新，更好地匹配用户的多样化需求，提升美团App的用户及流量规模，并形成技术沉淀； 2. 深耕业务特点和生活场景（包括但不限于到家、到店、出行等场景），从美团LBS服务共性解决方案出发，探索大模型应用、用户实时意图识别、多业务异构供给混排、多目标价值定义等方向与挑战； 3. 参与推荐算法中的某个技术或业务方向，制定相应的中长期技术规划，并在具体场景成功应用；
团队介绍：字节跳动搜索团队主要负责抖音、今日头条、西瓜视频等产品的搜索工程、算法创新和架构研发工作。我们的职责是用前沿的技术去打造一个用户体验佳、信息效率高的搜索引擎产品。我们的愿景是做一款用户首选的搜索引擎，我们的使命是可以充分整合内容，高效连接人与信息。 团队主要负责抖音、今日头条、西瓜视频、问答和百科等产品的业务研发和架构研发工作。 我们使用前沿的前端、客户端和服务端技术赋能于搜索业务的快速迭代，并在技术上不断创新和突破。同时专注于大流量、高并发、低延时的搜索系统的构建，在性能优化上，追求从内存、Disk等优化到业务架构和网络协议的创新探索，在迭代效能上不断探索容器化、动态化、搭建化等方案的创新，技术氛围强，充分给同学们提供自我成长的机会。 1、参与ByteDance搜索引擎研发工作，用前沿的机器学习深度学习算法、海量的数据，做激动人心的技术、给用户更好的搜索体验； 2、参与抖音/电商/生活服务等核心产品的搜索研发工作，致力于为数亿用户提供数千亿精准搜索结果，打造极致的搜索体验； 3、参与搜索核心算法改进，可选的方向包括： （1）NLP：利用LLM等技术，研发新的自然语言处理算法和信息检索技术，提高搜索引擎的准确性和智能化程度。 （2）召回与排序：借助语义理解、个性化预估、机制设计等技术，解决超大规模的视频、商品、直播、POI等搜索业务下的召回、排序、重混排模型； （3）多模态：基于海量网页图文、抖音视频数据的大规模多模态预训练和视频分析技术，提升视觉搜索的使用体验； （4）页面分析和摘要：从千亿视频/网页中提取最有价值的信息，进行结构化字段提取、智能摘要生成、转码等工作来优化搜索体验； （5）链接分析：从万亿链接中找出最有价值的网页，优化链接质量、索引质量、垃圾作弊识别、调度策略等。 课题介绍：随着大模型技术的快速发展，智能搜索领域迎来了新的机遇和挑战。传统搜索技术在面对海量数据、多模态信息以及用户复杂需求时，逐渐暴露出模型容量不足、语义理解能力有限、资源利用率低等问题。基于大模型的智能搜索构建旨在通过引入大模型技术，提升搜索系统的智能化水平，优化用户体验，并解决超大规模检索、复杂语义理解、资源高效利用等核心问题。具体目标包括： 1、探索大模型与排序算法的结合，提升个性化排序的精度和用户体验； 2、研究生成式检索算法，解决百亿乃至千亿级别候选库的超大规模检索问题； 3、利用大语言模型（LLM）提升复杂多义Query的搜索满意度； 4、构建高性能、低资源消耗的大规模批流一体检索和计算系统，提升资源利用率。 1、个性化排序：传统排序算法难以充分利用多模态信息（如文本、图像、视频等），且模型复杂度有限，无法满足用户对精准化和个性化搜索的需求； 2、超大规模检索：传统判别式模型在千亿级别候选库的检索中，面临模型容量不足、索引效率低下等问题，亟需新一代检索算法； 3、复杂Query理解：用户搜索需求日益复杂，传统搜索引擎难以准确理解长难句、多义Query的语义，导致搜索结果满意度低； 4、资源利用率：搜索系统存储和计算分离的架构导致资源利用率低，如何在保证性能的同时优化资源使用成为关键问题。