阿里巴巴算法技术-冷启推荐研究型实习生项目-推荐算法实习生

1、负责淘特搜索算法体系建设，包括Query理解、相关性优化、超大规模的召回/精排/重排等链路优化，底纹/下拉/搜索发现等导购产品优化，广告与自然结果智能混排机制、优质商品的冷启/助推/打爆等商品机制的构建，提升用户搜索买的购物体验，提升成交、营收规模等。 2、负责淘特推荐算法体系建设，深入理解用户需求，设计优化推荐全链路包括超大规模的召回/粗排/精排/重排等链路提升推荐效率，基于认知智能等提升推荐的发现性、丰富性等用户体验指标，并构建广告与自然结果智能混排、商品成长等机制策略，提升营收规模、优质供给数量等； 3、参与前沿问题的探索与研究，结合实际应用场景，提供全面的技术解决方案。

岗位职责 1.设计并优化广告推荐策略，包括点击率（CTR）预测、转化率（CVR）建模、ROI建模等； 2.基于各类数据，优化用户画像和场景特征，开发个性化推荐算法，提升广告匹配效率和用户体验，包括但不限于媒体用户冷启优化等； 3.分析广告推荐数据，持续迭代算法模型以提升ROI（投资回报率）； 4.与产品、运营团队协作，推动算法在广告平台中的落地实施； 5.研究前沿机器学习/深度学习技术（如大模型、图神经网络），探索广告场景下的创新应用。

1. 参与亿级用户规模的推荐系统优化，提升笔记发布量和发布作者规模，繁荣作者生态； 2. 基于因果推断、大语言模型等技术优化流量分配机制，提升新笔记冷启效率，促进社区长期健康发展； 3. 负责小红书全站关注关系构建和关系内容分发，通过内容推荐和用户推荐，提升私域规模和用户社交体验； 4. 跟踪业界深度学习/强化学习/跨域学习/图网络等领域前沿进展，灵活应用于业务中取得实际收益。

本课题的研究目标是打造行业领先的多语言能力强化的大语言模型，结合业务海量的多语言互译语料，以及平台生活化特色的笔记评论数据，利用数据合成、RL冷启训练、SFT和RLHF等技术，实现： 1、在小红书多语言大模型翻译场景取得领先效果； 2、多语言场景下，AI搜索的检索和生成技术。