阿里巴巴淘天算法技术-高级推荐算法专家-杭州
任职要求
1. 硕士及以上学历，计算机、数学、统计学等相关专业，实验室方向匹配更好。 2. 具备3年及以上推荐算法或广告算法研发经验，有知名互联网企业（大厂背景优先）或顶尖学术机构相关经验者优先。 3. 精通机器学习、深度学习及强化学习等算法技术，熟悉Transformer、序列建模等模型，具备推荐系统全链路实现经验。 4. 熟练掌握Python/Java等编程…
工作职责
1. 负责推荐系统全链路（召回、排序、重排等模块）的设计与优化，提升电商、内容等场景下的用户个性化体验和核心业务指标（如点击率、留存率、GMV等）。 2. 推动多模态技术和大模型在推荐场景的算法创新，探索AIGC、生成式推荐等前沿方向的技术落地与效果提升。 3. 主导大规模分布式算法模型的训练与部署，优化模型效率及在线服务性能，支持高并发业务需求，确保系统稳定性和性能达标。 4. 参与技术预研及业务策略的A/B测试设计与分析，通过数据驱动的方法优化算法效果和业务指标。 5. 与产品、工程、业务团队紧密协作，推动技术方案落地并持续迭代优化，确保技术成果转化为业务价值。 关键能力： 1. 精通推荐系统全链路技术，包括召回、排序、重排等模块，具备优化CTR、GMV、用户留存等核心指标的能力。 2. 熟练掌握多模态技术和大模型（如Transformer、序列建模等），具备将这些技术应用于推荐、搜索、广告等场景的经验。 3. 具备大规模分布式算法模型的训练与部署能力，熟悉模型压缩、联邦学习等技术，能够优化模型效率及在线服务性能。 4. 具备扎实的数据分析和A/B测试能力，能够通过数据驱动的方法优化算法效果和业务指标。 5. 具备出色的跨团队协作与沟通能力，能够与产品、工程、业务团队高效协作，推动技术方案落地。
我们是阿里巴巴国际数字商业集团的智能技术团队，负责阿里巴巴旗下多个国际化电商平台的搜索、推荐、广告、用增等技术。团队致力于将最前沿的AI技术与国际化电商业务问题深度结合，为用户打造更好更智能化的网上购物体验，同时赋能百万商家实现更高效的经营。 选择加入我们意味着投身入于高速发展的国际化电商业务，一起打造最先进的AI技术以驱动全球电商业务发展。 岗位描述： 1、参与并负责搜索、推荐算法研发，提升全球不同语言的搜索精准性和国家差异化个性化推荐体验。 2、参与并负责广告算法研发，提升全域流量广告流量变现效率，通过竞价及投放优化、素材生成等提升商家投放效率。 3、参与并负责用增算法的研发，提升电商获客效率，建设优化个性化外投广告、个性化触达消息、个性化权益补贴等算法能力。 4、参与研发生成式AI技术，推动生成式AI在国际电商领域的创新应用。
所在团队负责阿里国际贸易平台上的所有推荐产品，包括猜你喜欢、详情页推荐、个性化楼层等。团队通过大数据和深度学习建模，帮助平台上买卖家快速达成生意。来到这里，你将有机会深度接触到业界的计算平台和深度学习算法，并将算法技术转化为商业价值。具体地，你将有机会负责： 1. 用户画像、召回、排序和策略等模块的技术规划和算法设计，通过技术创新提升买卖家匹配效率。 2. 通过大规模深度学习和图学习，在面对数据稀疏和多国家多行业的情况下对用户实时兴趣、CTR预估、询盘和交易转化预估等问题建模。 3. 通过多样性和发现性策略，拓展用户需求，提升兴趣发现能力，进一步完善和提升推荐侧的产品价值。 4. 探索大语言模型+搜推的创新应用方向，LLM在推荐领域下的全链路建设，包括但不限于大规模的预训练、SFT、LoRA和RLHFL等技术，落地大语言模型+搜推的新的应用落地场景（如生成式推荐等）。
1、负责饿了么外卖场景下的流量分发机制设计与算法开发，提升商品和店铺的算法匹配效率，提升多业态混排长期价值； 2、深入理解业务场景，优化算法模型，提高用户点击率和转化率，增强用户体验； 3、通过数据挖掘与分析，不断迭代算法模型，提升流量分发对平台目标的牵引能力； 4、参与算法团队的技术攻关，解决实际业务中的复杂问题，推动技术创新。
方向一：搜推效率、生成式、店品券 岗位职责： 1、负责搜索/推荐业务的召回、粗排/精排算法设计和优化，提升大盘转化效率； 2、负责用户、商户、query、营销信号等各维度特征、模型样本等基础模块的搭建和优化； 3、应用机器学习/深度学习、生成式推荐等算法技术，优化召回/排序模型，推动生成式推荐算法的工业落地； 4、与上下游的数据、工程、产品等团队紧密配合，把算法模型等上线到业务场景中，提升业务效果； 5、跟进推荐系统前沿研究方向，结合业务场景进行创新与落地，做技术沉淀和paper发表。 方向二：大混排（统一混排）、全站推 岗位职责： 1、负责混排（信息流+商业化）算法的设计和优化，提升流量变现效率和用户体验； 2、建立并优化目标函数，通过混排多目标优化平衡用户体验 & 平台收益； 3、结合用户画像、内容特征、广告属性等多维度信号，构建高效的特征工程与模型； 4、应用深度学习、强化学习等技术优化推荐与广告混排效果； 5、与工程、产品、运营团队密切协作，将算法落地到生产环境，并持续监控与优化效果； 6、跟踪前沿的推荐与广告算法研究，推动新技术在业务中的应用。