新浪微博高级搜索算法工程师（排序方向）
社招全职3年以上新浪&微博地点：北京状态：招聘
任职要求
1.3 年及以上搜索或推荐系统算法研发经验，具备完整项目落地案例； 2.熟悉常见机器学习与数据挖掘算法，对策略优化与效果评估保持高度敏感； 3.精通 C++、Java 或 Python 任一语言；熟悉 Hadoop、Spark 等大数据处理框架，具备扎实的算法设计与工程实现能力； 4.掌握 MMOE、PEPNet、Din/DIEN 与基于 Transformer/GRU 的多任务、多目标排序网络，熟练运用特征交叉、Embedding 与深度特征工程； 5.掌握 DSSM、GNN 等召回网络结构，具备离线评估与在线 A/B 测试经验，能快速迭代并落地大规模召回方案； 6.能够持续跟进领域内最新研究成果，并结合业务场景快速完成实验验证与性能调优； 7.善于从海量数据中发现问题，对攻克技术难题充满激情； 8.具备良好的跨团队沟通能力和协作精神，能够推动项目在多方配合下高效落地。 加入我们，一起用最前沿的算法和技术，打造更智能、更精准的推荐体验！
工作职责
1.负责微博主站搜索下点击模型的算法设计、训练与上线优化，通过用户点击行为提升搜索推荐精准度； 2.负责微博主站搜索引导方向的算法研究与实现，覆盖浏览页、搜索中间页等多场景的用户行为引导与转化模型； 3.主导推荐排序核心算法研发，包括多任务排序与序列建模、用户画像构建、内容语义理解与物料挖掘等模块的工程化落地 持续跟踪并应用 RAG、语义检索与生成式推荐等前沿技术，快速完成验证、迭代与性能调优； 4.对海量用户行为与内容数据进行深度挖掘与特征工程，发现优化机会并持续迭代改进； 5.协调跨团队协作，推动算法方案在大规模线上环境中的稳定部署、监控与持续优化。
包括英文材料
推荐系统+
[英文] Recommender Systems
https://www.d2l.ai/chapter_recommender-systems/index.html
Recommender systems are widely employed in industry and are ubiquitous in our daily lives.
算法+
https://roadmap.sh/datastructures-and-algorithms
Step by step guide to learn Data Structures and Algorithms in 2025
https://www.hellointerview.com/learn/code
A visual guide to the most important patterns and approaches for the coding interview.
https://www.w3schools.com/dsa/
机器学习+
https://www.youtube.com/watch?v=0oyDqO8PjIg
Learn about machine learning and AI with this comprehensive 11-hour course from @LunarTech_ai.
https://www.youtube.com/watch?v=i_LwzRVP7bg
Learn Machine Learning in a way that is accessible to absolute beginners.
https://www.youtube.com/watch?v=NWONeJKn6kc
Learn the theory and practical application of machine learning concepts in this comprehensive course for beginners.
https://www.youtube.com/watch?v=PcbuKRNtCUc
Learn about all the most important concepts and terms related to machine learning and AI.
数据挖掘+
https://www.youtube.com/watch?v=-bSkREem8dM
Database vs Data Warehouse vs Data Lake
https://www.youtube.com/watch?v=7rs0i-9nOjo
C+++
https://www.learncpp.com/
LearnCpp.com is a free website devoted to teaching you how to program in modern C++.
https://www.youtube.com/watch?v=ZzaPdXTrSb8
Java+
https://www.youtube.com/watch?v=eIrMbAQSU34
Master Java – a must-have language for software development, Android apps, and more! ☕️ This beginner-friendly course takes you from basics to real coding skills.
Python+
https://liaoxuefeng.com/books/python/introduction/index.html
中文，免费，零起点，完整示例，基于最新的Python 3版本。
https://www.learnpython.org/
a free interactive Python tutorial for people who want to learn Python, fast.
https://www.youtube.com/watch?v=K5KVEU3aaeQ
Master Python from scratch 🚀 No fluff—just clear, practical coding skills to kickstart your journey!
https://www.youtube.com/watch?v=rfscVS0vtbw
This course will give you a full introduction into all of the core concepts in python.
Hadoop+
https://www.runoob.com/w3cnote/hadoop-tutorial.html
Hadoop 为庞大的计算机集群提供可靠的、可伸缩的应用层计算和存储支持，它允许使用简单的编程模型跨计算机群集分布式处理大型数据集，并且支持在单台计算机到几千台计算机之间进行扩展。
[英文] Hadoop Tutorial
https://www.tutorialspoint.com/hadoop/index.htm
Hadoop is an open-source framework that allows to store and process big data in a distributed environment across clusters of computers using simple programming models.
Spark+
[英文] Learning Spark Book
https://pages.databricks.com/rs/094-YMS-629/images/LearningSpark2.0.pdf
This new edition has been updated to reflect Apache Spark’s evolution through Spark 2.x and Spark 3.0, including its expanded ecosystem of built-in and external data sources, machine learning, and streaming technologies with which Spark is tightly integrated.
Transformer+
https://huggingface.co/learn/llm-course/en/chapter1/4
Breaking down how Large Language Models work, visualizing how data flows through.
https://poloclub.github.io/transformer-explainer/
An interactive visualization tool showing you how transformer models work in large language models (LLM) like GPT.
https://www.youtube.com/watch?v=wjZofJX0v4M
Breaking down how Large Language Models work, visualizing how data flows through.
特征工程+
https://www.ibm.com/think/topics/feature-engineering
Feature engineering preprocesses raw data into a machine-readable format. It optimizes ML model performance by transforming and selecting relevant features.
https://www.kaggle.com/learn/feature-engineering
Better features make better models. Discover how to get the most out of your data.
GNN+
https://distill.pub/2021/gnn-intro/
Neural networks have been adapted to leverage the structure and properties of graphs.
https://gnn.seas.upenn.edu/
Graph Neural Networks (GNNs) are information processing architectures for signals supported on graphs.
https://www.ibm.com/think/topics/graph-neural-network
Graph neural networks (GNNs) are a deep neural network architecture that is popular both in practical applications and cutting-edge machine learning research.
性能调优+
https://goperf.dev/
The Go App Optimization Guide is a series of in-depth, technical articles for developers who want to get more performance out of their Go code without relying on guesswork or cargo cult patterns.
https://web.dev/learn/performance
This course is designed for those new to web performance, a vital aspect of the user experience.
https://www.ibm.com/think/insights/application-performance-optimization
Application performance is not just a simple concern for most organizations; it’s a critical factor in their business’s success.
https://www.oreilly.com/library/view/optimizing-java/9781492039259/
Performance tuning is an experimental science, but that doesn’t mean engineers should resort to guesswork and folklore to get the job done.
相关职位
社招
1. 搜索召回算法：基于多模态&LLM大模型等能力，设计和优化1688搜索召回模块；负责文本query理解和改写；设计和优化分人群的多路召回差异化协同机制，并建立召回迭代的评价指标； 2. 搜索排序算法：设计和优化1688搜索排序下的转化率精准预估任务；深入研究全域用户行为建模、全域迁移学习任务、多模态技术方向在排序的应用；设计和优化1688搜索排序框架，围绕长期用户价值对1688排序模型的目标进行设计和优化； 3. 搜索流量机制：负责1688搜索机制策略创新和优化，包括商业化机制策略和用户增长策略的方案设计和落地，分渠道精细化优化用户的留存和活跃； 4. 搜索基础算法：在1688搜索样本和数据特征上进行精细化处理，提升模型效果的上限，通过召回/粗排/排序的模型优化和一致性提升等方式对搜索全链路进行迭代。
更新于 2025-04-16
社招2年以上技术类-算法
AE搜索算法团队，负责AIDC AliExpress（AE）、JP- AO和天猫淘宝海外等国际化电商搜索业务优化，为全球100多个国家使用不用语言的用户持续电商搜索体验与效率，并结合大模型升级技术与产品体验创新。 多年来团队紧跟工业界和学术界前沿，在多语言Query理解与相关性、国家差异化召回与排序模型、多语言Query导购与大模型在多语言搜索中应用等技术方向持续探索创新，带来业务快速增长同时发表⾼⽔平学术论⽂20+篇（如AAAI、 IJCAI、TKDE、TMM、RecSys、CIKM和ICDM），申请专利15+项。 大规模深度模型的搜索算法研究，包括但不限于： 1. 多语言Query理解、商品理解和相关性，包括：Query和商品NER、Query类目预测、Query改写与扩展、多语言&跨语言语义相关性等；LLM在多语言电商搜索领域应用，包括：大模型CT和SFT，以及在Query理解、语义相关性、商品理解上的应用； 2. 个性化召回与排序相关技术：基于大规模深度模型的CTR/CVR预估模型及个性化召回模型，包括用户行为序列建模、多目标建模、多模态跨场景迁移建模、国家差异化建模体系建设等； 3. 个性化多语言Query推荐，包括：下拉、底纹、风向标等场域，基于异构行为序列建模、多场景建模的多语言Query推荐技术研究与应用；
更新于 2025-09-18
社招3年以上信息技术类
1、公司全场景智能搜索业务，通过搜索算法/技术，提升用户体验核心指标； 2、负责Query引导模式挖掘，通过前沿的NLP,NLG等算法手段，深挖用户Query表达交互规律； 3、结合业务需求，对供给的信息和服务进行画像刻画建立高效索引，提升召回和排序效果; 4、跟踪终端A领域相关推荐或者机器学习算法发展趋势，对前沿技术结合产品业务进行实验及落地。
更新于 2025-04-03
社招3年以上信息技术类
1、公司全场景智能搜索业务，通过搜索算法/技术，提升用户体验核心指标； 2、负责Query引导模式挖掘，通过前沿的NLP,NLG等算法手段，深挖用户Query表达交互规律； 3、结合业务需求，对供给的信息和服务进行画像刻画建立高效索引，提升召回和排序效果; 4、跟踪终端A领域相关推荐或者机器学习算法发展趋势，对前沿技术结合产品业务进行实验及落地。
更新于 2025-05-20