阿里巴巴淘天算法技术-推荐算法工程师(召回和排序)-杭州/北京

1. 召回与排序：超大规模的商品、视频、直播、图文推荐业务下的召回、排序、重混排模型，及跨域多模态推荐技术； 2. 机制策略：通过深度强化学习技术优化推荐策略，设计智能流量机制，助力用户规划增长、商家及内容创作者成长；

我们寻找熟练掌握机器学习、深度学习、强化学习、Graph Embedding，图像&NLP技术，运筹学，经济学和博弈论等相关知识，有扎实的搜索推荐广告等相关算法技术背景，对技术推动业务发展抱有极大的热情，勇于挑战各种实际应用难题，具有聪明、乐观、皮实、自省、追求卓越的候选人，来阿里国际-智能技术-Lazada 广告技术团队和我们一起乘风破浪吧。 1.基于Lazada的海量用户和商家数据，探索使用深度学习，强化学习，Graph Embedding，迁移学习，知识图谱等前沿技术来解决广告业务所面临的多国家多语言场景，大规模异构数据的挑战，将前沿技术在广告业务上落地，用技术推到业务高速发展。 2.负责广告系统的核心召回、排序、竞价机制算法持续迭代优化，提升广告业务的核心指标，帮助Lazada广告业务高速增长。

1、参与业内最前沿的排序模型的迭代工作，通过优化模型精度提升用户体验； 2、分析、理解用户数据和业务场景，设计适合业务发展的推荐算法和机器学习模型； 3、迭代业内最前沿的推荐算法，并落地到快手最大的消费场景中。

岗位课题： 【用户理解与因果推理】 应用大模型的逻辑与因果推理能力，深度挖掘用户偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。 【生成式召回与排序新范式】 研究并实践基于生成式模型（Generative Models）的推荐框架，探索从“判别式打分”到“生成式候选”的技术变革，重构推荐系统的召回与排序链路。 【可解释与对话式推荐系统】 利用大模型的自然语言交互与生成能力，构建支持多轮对话、主动询问和理由解释的推荐系统，提升用户信任度与交互体验。 【大模型推荐系统下的大模型优化】 专注于大模型在超大规模、高并发推荐场景下的挑战，驱动前沿算法的商业化落地。 【用户行为序列的模态融合与表征】 将海量、异构的用户行为序列（点击、浏览、转化）视为一种独特的“行为模态”，探索其与文本、图像等多模态信息的融合方法，为大模型注入更深层次的用户理解力。 课题项目背景： 当前，大模型已经在许多领域成功落地并产生了深远影响。对于推荐而言，我们认为大模型技术在深入了解用户意图乃至重塑推荐系统等诸多方面均潜藏巨大的价值。因此，我们希望能够充分利用大模型能力与知识，解决当前推荐系统的冷启动、缺乏解释性与泛化性等问题，打造下一代推荐系统，并将应用于以下方向： 1、利用大模型技术全面升级淘宝推荐的召排能力并在主场景落地取得收益； 2、结合大模型技术，探索全新的淘宝推荐交互方式，为推荐场景找到新的方向。 成长资源 1、实习同学将会与工业界经验丰富的师兄师姐合作，充分了解大规模推荐系统的运行方式，努力做出能够真实影响海量用户的工作； 2、鼓励发挥个人的知识与才能，在大模型与推荐系统相结合的蓝海领域大胆探索，提升团队与个人的影响力，做出引领业内方向的代表作； 3、充分保障探索所需的离在线资源，并给予充足的时间与空间。 岗位职责： 在这里，你将有机会接触海量用户行为数据，并通过前沿算法为淘宝用户提供个性化购物体验。同时，可以与有着丰富工业界经验的师兄师姐一起探索大模型技术在推荐系统中的应用。通过这段实习经验，你不仅能够深入了解国内top级应用的推荐场景，更能够有机会在大模型技术红利背景下，充分发挥自己的聪明才智重新定义与塑造下一代推荐系统，打造团队与个人的影响力。