阿里巴巴淘天算法技术-生成式推荐/大模型应用算法专家-杭州
任职要求
1. 自然语言处理、人工智能、机器学习、计算机等相关专业硕士及以上学历。 2. 3年以上算法研发经验，熟悉Dense/MoE语言大模型、多模态大模型、推理大模型、agent相关原理，能紧跟最新技术进展。 3. 具备LLM/MLLM实操经验，熟练使用llama-factory、verl、roll、m…
工作职责
1. 负责设计和落地Session实时意图感知的AI导购方案，包括但不限于用户多模态异构行为序列的意图分析能力、推理能力、大模型在线推理加速能力，实现不同需求状态下的最优决策学习，提升大模型推词体验和效率。 2. 深入理解电商用户需求，负责通过定义分类目决策属性、构建多模态商品理解知识库、建设个性化AI对比总结能力等方式，提升用户在实际购物过程中多商品对比挑选决策效率，打造标品和非标品下的购物指南体验。 3. 持续跟进LLM/MLLM方向的前沿进展，将各方向的SOTA能力集成到模型底座上，提升下游任务效果，打造团队的技术先进性。
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。
“我们正在构建下一代智能推荐引擎，重新定义人货场的数字化连接方式”，如果你对推荐算法创新充满热情，渴望用技术驱动万亿级市场的供需匹配效率，这里将是你施展才华的舞台。团队汇聚了搜索推荐、运筹优化、图计算等领域的顶尖人才，加入我们，见证技术如何重塑商业未来。 1.基于多源异构数据（搜索/点击/交易/内容），借助LLM挖掘用户显性需求与潜在意图的关联关系，构建用户需求图谱； 2.融合商品知识图谱与实时场景特征，构建跨品类、跨渠道的智能组货策略，实现"人-货-场景"的高效匹配； 3.设计多目标协同优化框架，探索生成式推荐新技术，平衡用户体验、商家效率与平台增长目标，建立可持续的推荐生态。
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）。
业内研究表明，生成式的推荐系统存在Scaling Law现象，Scaling Law的出现相较于现有推荐系统无法通过扩充持续提升效果的现象，提出了新的可能性。该团队负责小红书生成式推荐方向，目前已经完成了原型架构的开发和线上验证，欢迎业内在推荐/广告/搜索等领域的专家一起，共同探索生成式推荐在真实业务场景的价值。 【职位描述】 1、负责生成式推荐在小红书社区推荐&展示广告场景的研发； 2、在生成式架构下，重新思考传统推荐架构中的行为建模技术（如超长序列、多兴趣等），并在召回/排序等场景中进行应用； 3、与MLLM和架构团队配合，将其他生成式模型的知识和能力迁移进实时的生成式推荐架构中；