vivoAI架构工程师（推荐系统架构）

负责打造下一代高效、智能的推荐后端引擎，在实现高性能、高可用、可扩展的同时持续满足业务增长需求 工作职责： -支持百度搜索中的实体推荐、query推荐、sug和相关搜索、内容推荐等产品的升级、换新 -负责搜索场景的高并发推荐系统架构的设计、研发与优化，确保系统的高可用、可扩展和高性能 -通过处理大规模数据、运用统计学、机器学习等技术提升搜索质量和用户体验 -跟踪搜索引擎领域的最新技术趋势，如引擎工程架构、AI原生等，并应用于产品中

团队介绍：团队负责抖音集团广告算法的架构服务，在这里你可以参与到召回、粗排、精排和广告检索服务的架构升级工作，涉及抖音、今日头条、番茄小说等各类业务场景，类型丰富，架构挑战大。 随着中国互联网广告的发展，客户对商业化产品技术能力有更高的期待，公司的营收需要有更稳定可靠、更可持续发展的增长引擎。基于商业化预估系统中长期存在和短期爆发的业务及架构问题，我们致力于交付一个长期可维护、开发更高效、AI友好智能的预估系统产品。加入我们，你不但可以在召粗精投放算法架构深耕，也可以在广告特有的检索业务定制存储上持续突破，也可以持续参与到模型推理架构的新技术突破。团队内有完善的导师机制，关注每个同学的持续成长。 1、负责抖音集团广告算法服务（召回/粗排/精排/创意与样式优选）的架构设计与实现，支撑亿级广告候选排序，优化模型分发速度，提升在线推理性能，完善产品化，改进策略迭代的安全性和效率，完善全链路策略治理能力； 2、负责建设抖音集团广告算法服务的深度学习能力（深度模型实时训练/深度模型在线推理/深度模型召回），探索业界前沿算法的工程落地并助力业务可持续增长； 3、负责商业化检索服务（存储类系统）的优化升级，支撑亿级过滤能力，优化分布式、在离线分离架构，提升索引构建效率和稳定性，提升广告主投广体验； 4、设计并实现高性能、高可用的排序策略框架以及平台化产品，承载高吞吐、低延迟、可靠易用的系统架构需求； 5、设计并实现广告投放系统的延迟、降级、算力分配的一体化平台与架构，保障广告系统的稳定性，在资源约束的状态下最大变现效率。

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。 本项目旨在探索推荐领域下的大模型新范式，突破现在持续了较长时间的推荐模型结构和Infra的方案，且效果大幅好于现在的基线模型，在抖音短视频/直播/电商/头条/剪映等多个业务场景上得到应用。推荐领域的大模型是比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，本课题会以下多个方向来做深入的研究，探索和建设推荐场景的大模型方案，大幅提升推荐模型的天花板。 【课题挑战/必要性】 自然语言领域LLM的出现，效果在众多垂直任务上都好于sota模型，从推荐领域看过去工业级推荐系统在较长的时间没有大幅的变化过。本项目旨在探索推荐领域下的大模型方案，改变现在持续了较长时间的推荐模型结构和Infra的基本范式，且效果大幅好于现在的模型，在抖音短视频/直播等多个业务场景上得到应用。但是怎么做好推荐领域的大模型也是一个比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，以及如何短视频、直播等体裁上做号内容的表征也是需要被解决的问题，这里会从模型参数scaling up、内容和用户的表征学习、内容理解多模态、超长序列建模、生成式推荐模型等多个方向来做深入的研究，对推荐场景的模型做系统性的升级。 【课题内容】 跨模态的对齐和统一表征学习（推荐、内容多模态、自然语言）； 推荐模型参数和算力scaling up； 超长序列建模； 生成式推荐模型； 【涉及研究方向】 推荐算法、推荐大模型

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。 课题背景：探索推荐领域下的大模型新范式，突破现在持续了较长时间的推荐模型结构和Infra的方案，且效果大幅好于现在的基线模型，在抖音短视频/直播/电商/头条/剪映等多个业务场景上得到应用。推荐领域的大模型是比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，本课题会以下多个方向来做深入的研究，探索和建设推荐场景的大模型方案，大幅提升推荐模型的天花板。 课题挑战：自然语言领域LLM的出现，效果在众多垂直任务上都好于sota模型，从推荐领域看过去工业级推荐系统在较长的时间没有大幅的变化过。本项目旨在探索推荐领域下的大模型方案，改变现在持续了较长时间的推荐模型结构和Infra的基本范式，且效果大幅好于现在的模型，在抖音短视频/直播等多个业务场景上得到应用。但是怎么做好推荐领域的大模型也是一个比较有挑战的事情，推荐对工程效率的要求更高，且用户的推荐体验上是个性化的，以及如何短视频、直播等体裁上做号内容的表征也是需要被解决的问题，这里会从模型参数scaling up、内容和用户的表征学习、内容理解多模态、超长序列建模、生成式推荐模型等多个方向来做深入的研究，对推荐场景的模型做系统性的升级。 课题内容： 1、跨模态的对齐和统一表征学习（推荐、内容多模态、自然语言）； 2、推荐模型参数和算力scaling up； 3、超长序列建模； 4、生成式推荐模型； 5、涉及研究方向：推荐算法、推荐大模型。