字节跳动LLM推荐策略（图文方向）产品经理实习生-TikTok

1、负责抖音AI分身相关业务的策略产品工作，优化AI生成式内容&短视频&图文&推荐策略，极致优化用户体验、提高对话质量和效率； 2、深入挖掘用户需求，洞察用户与AI生成式服务匹配关系，设计对用户长期价值和用户功能心智有收益的互动策略； 3、与模型算法，推荐技术等团队紧密合作，完成需求分析，方案设计，并推进策略迭代，落地； 4、对AI行业有热爱，对AI技术熟悉，特别是LLM方向。

业务介绍： 我们在做“下一代金融智能分发与生成式交互引擎”，面向同花顺海量亿级用户，打造基于深度学习与大模型双轮驱动的底层 AI 体系。我们的业务覆盖个性化信息流（图文资讯与社区内容分发）、高价值场景智能主动触达（关键节点动态推荐），以及基于金融垂类大模型的前沿交互场景（如生成式“猜你想问”、意图启发等）。 团队强调“真实业务价值的增长与技术演进的务实结合”。我们的技术路线从基于深度学习的传统召排链路打底，逐步向大模型赋能的单点应用（如语义ID增强召回）、AIGC 专属内容生成演进，并积极探索端到端的生成式推荐。目标是以CTR/CVR/留存为准绳，构建国内领先的“分发+生成”一体化金融 AI 系统。 岗位方向：全场景智能分发 × 生成式推荐大模型 聚焦 信息流 / 动态触达 / Proactive AI。将推荐系统的海量吞吐能力与大模型的深层推理、生成能力深度融合：从传统分发链路的持续调优与智能疲劳度控制，到利用大模型进行行为序列理解与语义 ID 抽取；从“被动推流”走向“主动启发”，基于高维用户意图生成千人千面的交互内容（AIGC）；最终探索并定义下一代端到端生成式推荐的落地范式。 岗位职责： 1、夯实全场景分发基石（传统召排）： 负责个性化信息流、智能主动触达等核心业务的推荐算法研发。深入优化多路召回（协同过滤、向量检索等）与精排模型（多目标 CTR/CVR 预估），构建全局最优的智能疲劳度控制与生态调控策略； 2、大模型单点赋能与特征跃迁： 基于用户超长历史行为序列，利用大模型深入挖掘用户画像。探索 LLM 在推荐单层级链路中的应用，例如构建与抽取语义 ID 进行深度召回，打破传统协同过滤的信息茧房； 3、构建 Proactive AI 与 AIGC 推荐（内容生成）： 实现从“推荐已有内容”到“生成专属内容”的跨越。利用大模型推测用户深层意图，生成启发式的交互内容（如千人千面的大模型“猜你想问”）。负责相关大模型的 Prompt Engineering 及后训练（SFT、RLHF/DPO），确保生成质量与业务转化指标的显著提升； 4、探索端到端生成式推荐： 以前瞻性视角推动推荐架构的代际演进，探索脱离传统“召回-粗排-精排”漏斗、直接从用户序列到推荐结果的端到端生成式推荐大模型落地路径； 5、规模化工程落地与评测闭环： 与产品、工程团队紧密协作，在数据配比、模型结构与推理加速（vLLM等）上探索最佳实践。建立严谨的 A/B 测试闭环，保障大模型与复杂推荐策略在超高并发、低延迟的生产环境中稳定交付。

团队介绍：字节跳动搜索团队主要负责抖音、国际化短视频、今日头条、西瓜视频等产品以及电商、生活服务等业务的搜索算法创新和架构研发工作。我们使用前沿的机器学习技术进行端到端建模并不断创新突破，同时专注于分布式系统、机器学习系统的构建和性能优化，从内存、Disk等优化到索引压缩、召回、排序等算法的探索，充分给同学们提供成长自我的机会。主要工作方向包括：1、探索前沿的NLP技术：从基础的分词、NER，文本、多模态预训练，到业务上的Query分析、基础相关性等，全链路应用深度学习模型，每个细节都充满挑战；2、跨模态匹配技术：在搜索中应用CV+NLP深度学习技术，实现多模态视频搜索强大的语义理解和检索能力；3、大规模流式机器学习技术：应用大规模机器学习，解决搜索中的推荐问题，让搜索更加个性化更加懂你；4、千亿级数据规模的架构：从大规模离线计算，分布式系统的性能、调度优化，到构建高可用、高吞吐和低延迟的在线服务的方方面面都有深入研究和创新；5、推荐技术：基于超大规模机器学习技术，构建业界领先的搜索推荐系统，对搜索推荐技术进行探索和创新。 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。 1、参与搜索引擎（策略、模型）研发工作，支持抖音/今日头条/电商/番茄小说/红果短剧等具有数亿用户的产品，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； 2、探索前沿技术，探索大模型等创新技术在AI搜索场景的落地，参与搜索引擎、搜索大模型的改进，包括而不限于： 1）NLP、大模型：构建大规模高质量数据（数据建设、数据抓取与解析、数据合成等）、分词、NER，文本、多模态预训练、Query分析、基础相关性等，全链路结合应用机器学习/深度学习模型，探索搜索引擎与大模型、LLM、MLLM、多模态、机器学习、强化学习等前沿技术的结合，实现搜索引擎全链路革新并进行极致的系统优化，探索提升AI搜索引擎的能力，包含而不限于相关性、权威性、时效性、意图理解能力等；探索新的自然语言处理算法、信息检索技术、LLM适性索引、LLM相关性、生成式召回、排序大模型等，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、跨模态匹配技术：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；在搜索中结合CV+NLP深度学习技术，实现多模态、视频搜索、强大的语义理解和检索能力； 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。

团队介绍：Data-抖音团队，负责抖音APP的推荐算法、内容算法、对话算法及大数据工作，对接各场景业务（短视频，直播，图文，电商，社交，生态，投稿，消息，同城，生活服务，音乐，评论，内容理解&安全、智能对话等）。我们的工作涉及大规模推荐算法的优化、复杂约束的优化问题的解决、内容理解、LLM应用以及新业务方向探索、CV/NLP等多个学术领域的算法改进工作、对多种场景的推荐架构的设计和实现和对产品数据的复杂深入的分析工作。在这里，你可以深入钻研机器学习算法的改进和优化，探索工业界最领先的推荐系统架构和推荐大模型算法、可以通过使用最新的大模型等技术支持抖音的数字人、智能客服、AI工具等创新探索；可以通过对产品的深度理解和思考，将算法应用到业务中去；也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。 抖音作为全球领先的综合性内容平台，拥有庞大的用户群体和多元化的业务生态。在设计如此大规模的推荐系统时，面临社交网络复杂、电商用户兴趣跨域迁移困难、内容与用户冷启动样本稀疏、直播推荐多目标融合效能不足、兴趣重复密集探索不足等多重挑战。 具体表现为：用户社交网络规模达万亿级，传统图算法难以高效地建模动态社交行为与内容消费的耦合关系；用户从内容兴趣到电商兴趣的迁移依赖跨域多模态理解与动态映射，现有方法难以捕捉潜在电商转化信号；新内容和新低活用户冷启动阶段样本量少，传统协同过滤与内容推荐方法泛化能力弱；直播推荐需实时融合点击、互动、消费等多目标信号，但启发式规则难以平衡用户长期体验与短期价值；兴趣密集追打问题严重，新兴趣探索效率不高。 1、社交网络增强的跨域兴趣建模：结合图神经网络（GNN）与大语言模型（LLM），构建用户全生命周期行为图谱，融合社交关系、内容互动与电商行为，挖掘社交网络中的社团结构与跨域兴趣传播路径； 2、兴趣迁移与转化信号捕捉：通过跨域对比学习与对抗生成技术，构建内容兴趣到电商兴趣的隐式映射网络，结合强化学习动态调控探索与利用，兼顾推荐精准性与多样性； 3、多模态小样本冷启动优化：利用LLM的Few-shot推理能力，通过内容语义理解与外部知识增强，设计元学习框架实现新ID特征与泛化特征的联合表征，缓解冷启动数据稀疏问题； 4、多目标融合与长短期价值平衡：基于大模型的泛化能力与长上下文感知，统一建模直播多目标（点击、时长、打赏等）的分布偏差与动态权重，设计个性化融合策略，替代传统多阶段漏斗架构，提升实时推荐效率； 5、兴趣密集与兴趣探索：通过用户兴趣画像建模与强化学习技术，实时捕捉用户消费与兴趣变化，缓解兴趣密集问题，为用户探索新的兴趣。