阿里巴巴淘宝算法技术-搜推算法工程师（LLM）-杭州/北京
任职要求
1. 硕士及以上学历。
2. 对搜索&推荐&大模型算法、链路有系统性了解。加分项：有大模型和推荐结合的实践经验…工作职责
具体职责包括但不限于： 1、参与改进以大规模深度学习模型为核心的搜索推荐系统，涵盖从候选到召回/粗排/精排/重排全链路多目标模型的各项工作，服务数亿DAU规模的推荐场景。 2、研究和开发基于LLM的搜推应用算法，探索大语言模型在搜推任务上的训练方式，分析和解决大语言模型在电商推荐召回排序上的挑战和问题，创造和推动电商的新型导购产品&新的推荐范式。 3、参与AI方向的营销业务探索，包括大促活动策划、招商、选品、会场生成、资源投放、权益分发等模块与LLM深度结合。 这是一支快速成长的学习型团队，在创造业务价值的同时，我们不断输出学术成果，团队成员每年在WWW、SIGIR、CIKM、RecSys等国际顶会上发表多篇学术论文。团队学习氛围浓厚，每年组织数十场技术分享交流，真诚邀请相关方向的优秀人才加入我们，在这里成长并贡献才智。
在当前业界的搜索推荐系统中，召回、粗排、精排、重排、混排等算法已有相对成熟的一套框架推动搜推业务进入深水区。AI的发展为搜推场景注入了新的可能性，具体来说，我们希望同学加入解决以下业务问题： 1. AI对搜推场景的算法优化 a. 通过大模型（LLM、多模态大模型）的推理能力、世界知识能力，提升对用户的理解。 b. 通过大模型（LLM、多模态大模型）SFT、RL、RAG等技术手段，实现对用户需求更好的承接。 c. 研究大模型和经典搜推算法的融合方案，提升场景整体效果和用户体验。 d. 直面淘宝数亿用户、百亿级行为数据的挑战，落地大模型应用。 2. 下一代AI搜推系统构建 a. 通过分布式训练、模型压缩、低延迟推理等技术，面向工业级应用完成千亿级参数大模型的高效训练与部署。 b. 尝试生成式AI、多智能体协作等前沿方向，推动AI技术在电商领域的创新应用。
1.构建新零售场景下的搜索推荐全链路算法体系，基于用户行为分析、多模态商品理解及实时反馈数据，打造全域个性化推荐系统与智能搜索解决方案。 2.主导新一代推荐系统架构设计，深入理解用户行为和业务需求，优化召回、排序、重排等推荐链路的关键模块，通过序列建模、多任务建模、冷启动等方法提升推荐场景用户体验，通过多场景、多目标建模提升推荐多场景的点击率和转化率。跟踪业界前沿技术，推动LLM在推荐场景落地，并结合盒马业务特色提高推荐发现性，优化用户LTV价值。 3.攻克搜索算法技术瓶颈，基于NLP与LLM技术突破搜索query理解、用户意图理解、语义向量召回、文本匹配等关键技术；通过全域用户行为建模、多场景迁移学习及端到端排序优化，打造适配新零售特性的自适应搜索排序框架；设计搜索机制策略，结合用户长短期兴趣建模与多周期价值评估，持续优化用户生命周期价值。 4.探索和拥抱大模型技术，并在搜索推荐领域深度应用，驱动盒马App用户体验增长，并带来商业价值。
我们正在寻找优秀的Al搜推算法，加入我们的国际站电商搜素与推荐团队，共同打造行业领先的AI搜推技术和产品，为用户提供极致的采购体验。 •参与大模型技术在搜推领域的应用探索和实践，将前沿Al技术落地到实际业务场景。 •处理电商领域复杂多样的数据源，进行高质量的数据预处理，为模型训练提供可靠的数据基础。 •负责电商平台搜推系统的算法研发与优化，提升转化效率，改善购物体验，探索更高效的商业模式。 •负责搜推召回、排序等核心算法模块的开发与迭代，解决电商场景中的长尾查询、语义理解等挑战。
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。