高德地图高德-算法工程师-生成式推荐-AI 算法专项

1. 负责生成式推荐算法研发，包括语义id 生成，生成式端到端模型，强化学习后训练等模块； 2. 探索模型scaling law 上限，跟进业界前沿算法； 3. 生成式推荐在高德推荐场景落地。

1、AI for Rec: 研究如何利用模态对齐、用户行为CoT等技术手段, 基于LLM的推理能力和世界知识提升对用户个性化偏好的刻画，赋能电商场景下的模型预估，实现更精准的人货匹配； 2、生成式推荐: 包括推荐领域下生成式模型相较于判别式模型的优劣对比，生成式训练范式设计、生成式模型结构优化、基于RL的排序目标对齐等方向，设计有scale-up能力的模型方案； 3、ai-infra下的模型落地: 负责大模型infra下的预估模型落地，包括更加算力友好的算法方案设计、训练加速、线上部署、链路优化、计算复杂度优化等，推动先进技术成果的规模化落地。

阿里妈妈淘宝联盟拥有一个由商家、商品、渠道推广者和亿万级消费者组成的时间和空间的超大规模复杂网络。节点包括商品、商家、推广者与用户，边则代表了它们之间的推广和经营关系。传统的推荐算法在捕捉这种图谱中的高阶、深层的关联性存在不足，大多停留在浅层的关系利用上，难以捕捉实体间的交互模式、社群结构以及动态演化的趋势，导致推荐匹配的精准度与效率存在显著的提升空间。本研究探索图神经网络（GNN）与大型语言模型（LLM）的深度融合，为图中的商品、推广者等异构节点生成富含结构信息与深层语义的统一表征——即“语义ID”，以及基于图对齐的语义ID的生成式推荐。 1.负责生成式推荐技术在电商场景的研发与落地。 2.主导设计并实现商品推荐生成式框架，重点攻克图结构信息与LLM语义信息的跨模态融合与对齐难题。 3.跟进SFT、RLHF、多模态等前沿技术，持续优化模型，并推动技术成果转化为实际业务增长。 4.沉淀技术影响力，撰写高质量专利和顶级学术论文。

1.参与设计和实现生成式推荐中的序列生成模块，从Token生成/定义，模型实现，损失函数等多个点搭建序列生成模型； 2.以高MFU结构设计为目的，参与生成式推荐工程生态搭建，从数据流，特征，高效计算等多个方向进行优化； 3.在生成式推荐的基础上，重新定义用户兴趣提取模块，设计高效的长期/短期兴趣提取模块，设计Long-Context，Token compression等多种技术； 4.强化学习框架搭建，以用户体验和广告收入为目的，搭建强化学习框架，其中包含模型训练，业务指标Reward涉及，多样性，序列评估等多项工作。