字节跳动【实习】广告场景下的生成式搜广推大模型技术研究-国际化电商广告（北京/上海/杭州）
任职要求
1、2027届及以后毕业，博士在读，人工智能、计算机、自然语言处理、计算机视觉等相关专业优先； 2、熟悉C++和Python，有扎实的编程基础、良好的编程风格和工作习惯，优先：有大规模数据挖掘、分布式计算经验，熟悉Hadoop、Spark框架； 3、较好的机器学习/深度学习理论和实践经验，熟悉深度学习算法，优先：发表过KDD、AAAI、CIKM、WWW、RecSys、NeurlPS、ACL、EMNLP等顶会论文…
工作职责
团队介绍：国际化电商广告团队始终以广告主为核心，追求技术卓越。我们与电商、零售、旅游等各行业广告主紧密合作，致力于将国际化产品打造为各类企业不可或缺的增长平台，同时成为消费者发现并购买产品、内容及服务的首选目的地。团队肩负着实现国际化广告营收的重要使命，正在全力构建新一代网络广告解决方案。 课题介绍：本课题深耕TikTok全球化广告核心场景，聚焦生成式搜广推前沿技术创新与落地，深度融合大模型与广告业务，攻坚推荐大模型（Large Recommender Model）、大语言模型（LLM）领域的核心技术难题，打造具备自主决策能力的下一代智能广告引擎。 我们布局推荐大模型Scaling Law、端到端统一建模、基于多模态Semantic ID的用户行为序列统一建模、生成式全链路技术（生成式召回、生成式排序、AIGC素材生成、生成式出价）、广告投放智能Agent、超长序列建模、因果推断等前沿方向，应对千亿级特征、毫秒级响应的极致挑战，推动广告推荐向 Foundation Model 范式演进，实现变现效率与用户体验的双向跃升。 课题挑战： 1、探索推荐广告大模型Scaling Law，构建多模态语义统一建模的基础模型； 2、构建面向用户长期价值（LTV）和长周期ROAS的智能广告投放系统，实现商业价值与用户体验的双向平衡了； 3、优化大模型全流程训练与在线推理框架，平衡算力成本与实时响应性能，破解效果-延迟的落地瓶颈。 课题价值： 突破原有技术瓶颈，推动广告系统从“匹配”向“生成与推理”范式升级，提升全链路ROI、泛化性与决策智能化，沉淀行业领先技术壁垒，提升用户体验和商业价值。
团队介绍：广告核心团队在不同的广告投放阶段建立关键的变现机制 1. 我们建立排序、出价、预算、样式、诊断和其他框架，作为中台，使其他广告团队能够并行迭代他们的产品。 2. 我们实施流量策略，在用户体验的约束下实现收入最大化，实现广告主受众的完全探索。 3. 我们的模型驱动自动化解决方案从头到尾优化广告投放性能。 课题介绍：本课题深耕TikTok全球化广告核心场景，聚焦生成式搜广推前沿技术创新与落地，深度融合大模型与广告业务，攻坚推荐大模型（Large Recommender Model）、大语言模型（LLM）领域的核心技术难题，打造具备自主决策能力的下一代智能广告引擎。 我们布局推荐大模型Scaling Law、端到端统一建模、基于多模态Semantic ID的用户行为序列统一建模、生成式全链路技术（生成式召回、生成式排序、AIGC素材生成、生成式出价）、广告投放智能Agent、超长序列建模、因果推断等前沿方向，应对千亿级特征、毫秒级响应的极致挑战，推动广告推荐向 Foundation Model 范式演进，实现变现效率与用户体验的双向跃升。 课题挑战： 1、探索推荐广告大模型Scaling Law，构建多模态语义统一建模的基础模型； 2、构建面向用户长期价值（LTV）和长周期ROAS的智能广告投放系统，实现商业价值与用户体验的双向平衡了； 3、优化大模型全流程训练与在线推理框架，平衡算力成本与实时响应性能，破解效果-延迟的落地瓶颈。 课题价值： 突破原有技术瓶颈，推动广告系统从“匹配”向“生成与推理”范式升级，提升全链路ROI、泛化性与决策智能化，沉淀行业领先技术壁垒，提升用户体验和商业价值。
广告是经济体客户重要的营销手段。广告主依托广告平台表达营销诉求，媒体依托广告平台的拍卖机制进行流量变现。为优化广告主效果并提升媒体变现能力，广告平台搭建了很多智能决策模块，如智能出价，智能拍卖机制等。这些智能决策模块依赖流量价值的预估值，如智能出价能力，其优化目标是在预算和成本约束下最大化效果(如成交量)，在给定流量的预估价值 (如点击率，转化率等)下，会结合广告自身的预算消耗，成本超限等因素动态的调整出价，最终效果受到预估值精准度的影响。 通常流量价值的预估值是一个标量，表达期望意义下的平均价值。 但在实践中发现，由于用户行为差异、广告的投放时间不同，不同的流量虽然有同样的预估值，但预估值的置信度却大不相同。比如对行为较为丰富的用户预估值的置信度较大，但对行为稀少的用户预估值的置信度较小。同样粗排阶段由于网络结构复杂度低，同样的流量预估值的置信度要比精排阶段预估值要低。对于智能决策算法来说，不同预估值的置信度代表流量的不确定度。在决策的时候，需要将不确定度考虑进去，比如在预算较为充足下，可以适当的在不确定度较大的流量进行探索，以挖掘潜在的高质量流量；而在预算吃紧，需要多竞价确定性
【课题说明】 随着美团业务向多个海外市场拓展，推荐与搜索系统面临多国家、多语言场景下的核心技术挑战：一方面，不同语言的语义理解差异、跨语言迁移能力不足、低资源语言数据稀缺等问题制约了搜索相关性体验；另一方面，各国市场用户行为模式、文化偏好、消费习惯差异显著，传统推荐系统难以在多国场景下实现统一建模与高效迁移。 本课题旨在打造面向多国多语言场景的推荐搜索一体化解决方案，融合多语言语义理解与大语言模型（LLM）能力，构建具备跨国泛化能力的推荐搜索系统，全面提升境外业务的用户体验与转化效率。 【建议研究方向】 方向一：多国多语言搜索相关性 多语言语义表征建模：基于多语言预训练模型（如mBERT、XLM-R等），结合本地化业务数据，构建适配多国语言的搜索相关性表征模型，提升跨语言语义对齐能力。 低资源语言相关性增强：针对数据稀缺的小语种市场，探索数据增强、跨语言迁移学习、零/少样本学习等技术，提升低资源语言下的相关性判断能力。 多国统一相关性评估体系：设计面向多国多语言场景的相关性评估框架，结合人工标注与模型自动评估，构建可扩展的多语言相关性基准。 方向二：LLM-based 多国家统一推荐 LLM驱动的跨国用户意图理解：基于多语言LLM，对不同国家用户的行为序列与搜索意图进行统一建模，提升跨国场景下的用户偏好理解能力。 多国统一推荐基座模型：探索以LLM为基座，通过多国数据联合训练与国家/文化特征注入，构建可快速适配各国市场的统一推荐模型，降低多国分治的维护成本。 跨国冷启动与迁移学习：针对新兴市场数据稀缺问题，研究基于LLM的跨国知识迁移与冷启动方案，提升新市场推荐效果的快速收敛能力。
1.负责美团核心本地商业下全流量场景下的广告相关算法策略的研究及开发工作； 2.参与海量数据下的大规模触发召回技术及相关性研发； 3.参与大规模CTR/CVR预估模型算法及系统的研发； 4.O2O广告模式、机制策略的探索研究； 5.基于强化学习和自动控制算法的智能出价研究； 6.广告程序化创意的探索研究。