字节跳动强化学习算法工程师-电商业务

1、深入研究和应用COT及强化学习技术，建立针对电商大模型推理优化体系，使模型在处理电商复杂问题的准确率显著提升，显著增强模型的动态推理和反思能力，确保模型能够快速、准确地应对电商业务的高复杂度和多变性需求； 2、研发的电商推理优化大模型支持核心电商业务场景（如审核、商品推荐），降低人工审核成本，提升电商业务的智能化水平和运营效率； 3、研究大模型驱动的智能体算法，包括但是不局限于ReACT、Voyager、WebGPT、AutoGPT； 4、撰写技术报告和论文，分享研究成果，参与内外部的技术交流和合作，推动团队技术水平的提升，提高团队在行业内的影响力。

团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题背景：抖音为用户提供了从娱乐、教育到生活方式的众多内容，形成了广泛的兴趣图谱。多样化的内容消费，不仅反映了用户的即时偏好，还蕴含了深层的消费喜好和潜在购物需求。如何有效建模用户对娱乐内容的兴趣并迁移至电商场景，成为了一个亟待解决的课题。不仅涉及到理解对视频内容的理解，还需构建跨域的兴趣映射机制，实现从内容兴趣到电商兴趣的高效建模。与此同时，随着大模型多模态技术的兴起，我们希望在语言、视频、推荐多个模态下，构建更加强大的推荐系统。 课题挑战： 1）多模态复杂性：用户行为涉及多模态交互（如视频+直播+文字+行为），需统一框架实现内容理解与用户意图推理； 2）识别非电商内容对应的潜在购物信号，研究从内容消费到电商兴趣的高效映射； 3）利用海量数据和世界知识搭建领先的机器学习和推荐服务，实现用户和商品的高效匹配； 研究方向：大语言模型、多模态大模型、内容理解、推荐系统。

团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题背景：抖音为用户提供了从娱乐、教育到生活方式的众多内容，形成了广泛的兴趣图谱。多样化的内容消费，不仅反映了用户的即时偏好，还蕴含了深层的消费喜好和潜在购物需求。如何有效建模用户对娱乐内容的兴趣并迁移至电商场景，成为了一个亟待解决的课题。不仅涉及到理解对视频内容的理解，还需构建跨域的兴趣映射机制，实现从内容兴趣到电商兴趣的高效建模。与此同时，随着大模型多模态技术的兴起，我们希望在语言、视频、推荐多个模态下，构建更加强大的推荐系统。 课题挑战： 1）多模态复杂性：用户行为涉及多模态交互（如视频+直播+文字+行为），需统一框架实现内容理解与用户意图推理； 2）识别非电商内容对应的潜在购物信号，研究从内容消费到电商兴趣的高效映射； 3）利用海量数据和世界知识搭建领先的机器学习和推荐服务，实现用户和商品的高效匹配； 研究方向：大语言模型、多模态大模型、内容理解、推荐系统。

1、基于海量数据构建业内领先的机器学习算法与技术架构，精准建模用户购物兴趣偏好，通过优化电商营销方案持续降低商家经营成本； 2、推动因果推断、运筹优化、深度学习等前沿技术成果的业务落地，提升营销投放效果与资金使用效率，为用户提供更精准的个性化补贴策略； 3、运用因果推断、运筹优化、深度学习等技术，持续研究商家成本在平台的最优分配模型，优化全局 ROI，助力降低整体经营成本； 4、深入抖音电商核心业务场景，与产品、运营团队紧密协作，优化产品设计与营销方案，为快速增长的抖音电商业务提供强技术支持。