阿里巴巴算法工程师-外投广告机器学习方向（T-Star Lab日常实习）
任职要求
1. 硕士及以上学历，2026年11月1日以后毕业，计算机、数学或统计学等相关专业，能连续实习3个月及以上； 2. 有机器学习、运筹优化、大模型和博弈论相关领域研究和实践经验，在以上领域的知名国际会议(例如SIGIR、SIGKDD、ICML、…
工作职责
岗位课题包括以下两个研究方向： 1. 利用大模型的序列描述能力和外投广告的全域数据，建模消费者全域行为兴趣模型，发掘消费者兴趣； 2. 广告召回、粗排、精排多阶段联合建模，保障计算效率的同时，提升模型打分准确度。 课题背景： 大模型技术在搜推广领域已经有很多的工作产出，包括基于大模型的召回方法（Tiger、Universal retriever等）和排序模型（HSTU等），然而，他们都面向整个商品推荐漏斗的不同阶段（召回、精排或机制），这样一方面整个推荐链路仍然存在不同阶段不一致，同时分阶段使用不同的模型也存在算力浪费的问题。本项目期望推动大模型打分在外投全域广告投放中的应用，将各个打分阶段联合建模，提升模型精度的同时保证模型计算效率。 岗位职责： 你将负责阿里妈妈外投效果广告投放算法工作，包括但不限于： 1. 负责大模型在客户交互和投放算法上的应用方案设计； 2. 负责根据外投效果广告业务场景，对大模型进行改造和性能优化； 3. 负责深度模型架构升级，提升在线广告投放模型性能和效果； 4. 负责深度学习模型在用户表征学习、召回模型、精排打分模型的应用；
1.负责智能投放系统的技术研究与落地。结合LLM、上下文工程、多智能体系统等前沿技术构建新一代的自适应投放决策框架，赋予系统自主理解、决策、执行的能力，实现跨平台、全自动的智能投放； 2.负责广告召回与排序系统的迭代优化，支撑每日千亿级请求。探索并应用生成式召回与排序 (Generative Retrieval/Ranking)、文本语义理解、图神经网络、多模态召回等前沿召回范式，并优化个性化排序机制，实现用户意图的精准捕捉与高效匹配； 3.负责外投广告核心模型体系构建。运用深度学习、因果推断、多模态等技术，持续优化pCVR/pLTV/pΔLTV/pCTR等关键预估模型，攻坚延迟转化归因、多目标融合等业界难题，打造行业先进的模型预测能力； 4.主导RTA实时出价与报价策略升级。运用强化学习、规划求解、生成式出价、博弈论等技术，突破海量场景下的竞价效率瓶颈，实现平台、用户与广告主多方目标的动态平衡，显著提升广告投放ROI。
负责阿里妈妈外投广告投放效果优化，包括并不限于： 1.负责千亿级外投多媒体业务方案设计和投放方案设计； 2.负责超大规模深度学习在生成式预训练、用户/商品表征学习、向量化召回、点击/成交转化模型预估等的应用和创新； 3.负责超大规模多媒体跨域预训练、联合训练、联邦学习等算法创新优化； 4.负责搜索场景下Query理解&意图构建、相关性排序等应用和创新； 5.负责媒体竞对博弈算法设计与优化； 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。
负责阿里妈妈外投广告投放效果优化，包括并不限于： 1.负责千亿级外投多媒体业务方案设计和投放方案设计； 2.负责超大规模深度学习在生成式预训练、用户/商品表征学习、向量化召回、点击/成交转化模型预估等的应用和创新； 3.负责超大规模多媒体跨域预训练、联合训练、联邦学习等算法创新优化； 4.负责搜索场景下Query理解&意图构建、相关性排序等应用和创新； 5.负责媒体竞对博弈算法设计与优化； 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。
1、负责广告核心业务策略及机制的设计，提升流量变现效率，优化客户营销推广效果； 2、重点行业广告匹配、排序算法策略的实现与优化； 3、客户策略机制设计，包括竞价、分配与客户生态优化等； 4、广告客户增长、留存与营销效率提升，客户差异化策略产品研发。