阿里巴巴研究型实习生-搜推智能产品-结合大模型的排序模型优化

我们是淘天集团淘宝用户算法团队，致力于通过外投广告、商品推荐、权益激励与消息触达等，全面提升淘宝用户的增长效率与长期价值。团队聚焦用户全生命周期管理，以算法驱动精细化运营，持续优化获客效率、增量GMV与用户LTV。 在权益策略场景中，传统模型面临选择性偏差、高噪声干扰、多场景异构等挑战，难以准确识别微弱增量信号。为此，我们正在构建下一代因果Transformer框架。 你将承担以下核心职责： 1. 增量建模与因果推断：深入解决观测数据中的选择偏差与时变混杂问题，基于淘天用户特征体系，提升权益效果的归因准确性； 2. 算法创新与模型研发：探索并设计基于因果推断Transformer的新型架构，设计提升微弱信号识别能力，推动CDUT等前沿模型落地；多场景协同建模：统一建模大促、日常、会员等多权益场景，实现跨场景知识迁移与泛化能力提升； 3. 前沿成果输出：在KDD、ICML、NeurIPS等顶级会议发表高水平论文，拓展因果推断与个性化营销领域的影响力； 4. 应用场景覆盖淘天多个权益体系，完成算法的线上应用及取得线上效果提升。 加入我们，你将参与最具挑战性的工业级因果推断课题，定义智能营销与用户增长的未来技术范式。

1．跟进和研发大规模语言模型（LLM）的预训练、持续训练、SFT、RLHF 等技术； 2．大语言模型应用在大淘宝推荐场景的落地，包括逻辑推理、智能内容理解、商品创意生成等； 3．建立新一代认知推荐算法体系，结合交互式推荐的产品创新，提升用户体验和首页推荐的长期价值； 4．结合以上方向的探索和研究，撰写发表论文，和业界、学术界保持良好的交流。

研究领域： 图计算 项目简介： 在信息爆炸的时代，用户在搜推系统中面临的信息选择愈加复杂。查询理解作为搜推系统的核心技术，直接影响到用户体验和系统性能。现有的推荐系统在处理用户查询，特别是长尾或冷启动问题时，表现出了一定的局限性。开发一个能够高效理解用户查询意图的基础模型，成为提升系统智能化和用户满意度的关键所在。为此，本研究旨在针对搜推场景构建一个查询理解的基础模型，应用于查询改写、查询推荐和提升搜索相关性，横向赋能搜推业务。图神经网络和图基础模型为该研究提供了新的技术路径。我们计划探索以下几个关键问题。第一、如何构建一个通用且高效的查询理解基础模型，以适用于多样化的搜推场景？在此过程中，如何利用图神经网络的能力，融合用户查询和推荐物品之间隐藏的关系信息？第二、在冷启动情境下，如何通过图基础模型有效提升物品推荐的准确性，确保新的用户和物品也能被高效地推荐？第三、如何利用基于图的查询理解基础模型进行精准的查询改写和推荐，以进一步提升搜推相关性？通过这些研究，我们希望能为搜推系统提供创新的技术路径，实现更智能的用户交互和更精准的推荐服务。

基于开源的 Diffusion 图像和视频生成模型，构建基础推理和训练引擎，探索前沿的 AIGC 技术，具体职责包括： 1、加入魔搭社区 DiffSynth-Studio 等开源项目的开发，接入先进的图像和视频生成模型，为业界提供领先的推理和训练引擎基建。 2、基于丰富的开源模型生态，探索 AIGC 技术的全新能力，开展多元化的科研项目，包括但不限于图像生成的思维链、跨模态模型的能力集成、理解-生成统一架构模型等，发表高水平学术论文。 3、参与魔搭社区的运营活动，为新模型的开源提供技术支持，推动 AI 技术的普及推广。