高德地图高德-算法工程师-推荐/时空数据预测/多模态大模型
任职要求
项目经历 ● 硕士及以上学历，计算机科学/人工智能/统计学/数学/电子工程/自动化等相关专业； ● 2 年以上相关领域（推荐/广告/营销/大模型/时空数据预测）算法实战经验； ● 有出行、本地生活或交易类业务背景者优先。 专业技能 ● 算法：扎实的数据结构、机器学习、运筹优化基础。熟悉树模型、深度学习、因果推断、强化学习、多模态大模型等方法。 ● AI能力：有大型 LLM 在核心业务场景的端到端落地实战经验。能独…
工作职责
业务丰富，技术领先高德打车算法团队深度赋能打车业务全链路，涵盖 用户增长、风控、服务管控、路线与上下车点推荐、ETA 预估、智能客服 等核心场景。多样化的业务挑战为算法创新提供了广阔的发挥空间，团队已在 AI 顶级会议发表成果。 持续成长，共享共进团队每周固定进行技术分享，氛围开放、互助友好；除了解答算法与工程难题，资深同事还会分享项目经验，并传授业务理解与问题解决的方法论，助你快速成长。 在这里，你将负责高德共享出行业务 上下车点推荐、运力推荐、路线规划、服务管控 等核心环节的算法优化与效果提升，工作内容包括： ● 推荐链路优化基于时空轨迹、声音、视频等海量多模态数据，运用深度学习、多模态大模型等先进算法，提升召回、粗排、精排、重排等推荐环节的准确性，确保用户获得更优出行体验。 ● 时空数据预测与数据建设优化路线旅行时间预测、发单应答时长预估、供需预测等关键能力，并持续构建高质量的时空数据体系，为业务决策和算法迭代提供坚实支撑。 ● 行程问题智能处理：构建并优化模型，精准识别司乘纠纷、费用异常、服务质量波动、安全风险、客诉等多类行程问题，并实现自动化处理方案。 ● 端到端算法研发参与或指导从数据可视化、算法选型、数据清洗、模型搭建、参数调优，到工程化上线及用户反馈跟踪的全流程研发，确保算法方案高效、稳定落地。 在这里，你的算法将直接服务全国数亿级用户，带来真实而深远的影响；你能接触到前沿大模型、多模态、强化学习等核心技术，并与顶尖同事共创，在开放包容的创新氛围下，发挥你的创造力。
岗位课题： 【用户理解与因果推理】 应用大模型的逻辑与因果推理能力，深度挖掘用户偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。 【生成式召回与排序新范式】 研究并实践基于生成式模型（Generative Models）的推荐框架，探索从“判别式打分”到“生成式候选”的技术变革，重构推荐系统的召回与排序链路。 【可解释与对话式推荐系统】 利用大模型的自然语言交互与生成能力，构建支持多轮对话、主动询问和理由解释的推荐系统，提升用户信任度与交互体验。 【大模型推荐系统下的大模型优化】 专注于大模型在超大规模、高并发推荐场景下的挑战，驱动前沿算法的商业化落地。 【用户行为序列的模态融合与表征】 将海量、异构的用户行为序列（点击、浏览、转化）视为一种独特的“行为模态”，探索其与文本、图像等多模态信息的融合方法，为大模型注入更深层次的用户理解力。 课题项目背景： 当前，大模型已经在许多领域成功落地并产生了深远影响。对于推荐而言，我们认为大模型技术在深入了解用户意图乃至重塑推荐系统等诸多方面均潜藏巨大的价值。因此，我们希望能够充分利用大模型能力与知识，解决当前推荐系统的冷启动、缺乏解释性与泛化性等问题，打造下一代推荐系统，并将应用于以下方向： 1、利用大模型技术全面升级淘宝推荐的召排能力并在主场景落地取得收益； 2、结合大模型技术，探索全新的淘宝推荐交互方式，为推荐场景找到新的方向。 成长资源 1、实习同学将会与工业界经验丰富的师兄师姐合作，充分了解大规模推荐系统的运行方式，努力做出能够真实影响海量用户的工作； 2、鼓励发挥个人的知识与才能，在大模型与推荐系统相结合的蓝海领域大胆探索，提升团队与个人的影响力，做出引领业内方向的代表作； 3、充分保障探索所需的离在线资源，并给予充足的时间与空间。 岗位职责： 在这里，你将有机会接触海量用户行为数据，并通过前沿算法为淘宝用户提供个性化购物体验。同时，可以与有着丰富工业界经验的师兄师姐一起探索大模型技术在推荐系统中的应用。通过这段实习经验，你不仅能够深入了解国内top级应用的推荐场景，更能够有机会在大模型技术红利背景下，充分发挥自己的聪明才智重新定义与塑造下一代推荐系统，打造团队与个人的影响力。
1、负责电商推荐场景下的算法模型与策略优化，提升用户体验与业务效果； 2、结合公司业务场景和业界技术热点，研究前沿技术在业务场景的落地应用；
1.负责唯品会核心推荐场景（首页Feeds、今日特卖、长尾Feeds、特色栏目/活动会场）的召回/排序/重排算法迭代 2.负责解决推荐模型的关键问题：多场景/多任务，延迟转化，多目标选取/建模/融合，用户超长序列建模 3.负责基于唯品会商业模式/运营玩法，抽象关键问题，设计算法解法，兼顾用户/供应商/平台 三方利益，优化推荐人货匹配 4.负责对各推荐场景、推荐业务设计高效、高算力、成本节省的算法架构；引领重构算法特征工程、模型平台架构，提效算法工程师迭代效率
【课题说明】 研发针适配美团业务的下一代生成式推荐系统，探索具有Scale Up属性的生成式建模方案，通过端到端的方式对用户行为进行深度建模和挖掘，全方位建模用户兴趣，提升推荐的准确性和实时性，并通过工程和算法的协同设计来显著提升整个链路的MFU水平，提高推荐系统的效果上限，实现更高的用户满意度和业务价值。 【建议研究方向】 1.参与设计和实现下一代生成式推荐系统，涵盖生成式召回、生成式预估、生成式排序等核心模块，并在美团多个业务场景落地。 2.构建基于多模态表征Tokenizer、类Transformer架构和优化损失函数的序列生成模型，从数据流、特征工程和高效计算等维度参与生成式推荐系统的全栈优化与生态搭建。 3.探索模型参数和计算量的Scale Up，设计高效且具有强外推属性的模型范式结构，提高系统MFU水平，打开模型效果天花板。 4.在生成式推荐的基础上，重新定义用户兴趣提取，生成式召回/预估、推荐归因等模块，包括但不限于Long-Context，Token compression等技术。 5.搭建基于强化学习的算法工程训练，包含模型训练，业务指标Reward，多样性，序列评估等多项工作。