阿里巴巴淘天算法技术-混排算法工程师-杭州/北京

1. 面向淘宝推荐核心场景：首页信息流和视频Tab的商品、短视频、图文等内容推荐业务。 2. 超大规模推荐算法研发：超大规模商品、短视频、图文内容业务的召回、排序、重混排模型算法研发工作。 3. 通过超大规模在线深度学习、用户行为超长期序列建模、全域学习、多场景迁移学习等技术提升算法效率。 4. 探索大模型在推荐系统中的应用：利用大模型技术提升推荐系统泛化能力，结合跨域多模态信息提升内容推荐效率和体验。

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. 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；

团队介绍：字节跳动搜索团队主要负责抖音、国际化短视频、今日头条、西瓜视频等产品以及电商、生活服务等业务的搜索算法创新和架构研发工作。我们使用前沿的机器学习技术进行端到端建模并不断创新突破，同时专注于分布式系统、机器学习系统的构建和性能优化，从内存、Disk等优化到索引压缩、召回、排序等算法的探索，充分给同学们提供成长自我的机会。主要工作方向包括：1、探索前沿的NLP技术：从基础的分词、NER，文本、多模态预训练，到业务上的Query分析、基础相关性等，全链路应用深度学习模型，每个细节都充满挑战；2、跨模态匹配技术：在搜索中应用CV+NLP深度学习技术，实现多模态视频搜索强大的语义理解和检索能力；3、大规模流式机器学习技术：应用大规模机器学习，解决搜索中的推荐问题，让搜索更加个性化更加懂你；4、千亿级数据规模的架构：从大规模离线计算，分布式系统的性能、调度优化，到构建高可用、高吞吐和低延迟的在线服务的方方面面都有深入研究和创新；5、推荐技术：基于超大规模机器学习技术，构建业界领先的搜索推荐系统，对搜索推荐技术进行探索和创新。 课题介绍：随着大模型技术的快速发展，智能搜索领域迎来了新的机遇和挑战。传统搜索技术在面对海量数据、多模态信息以及用户复杂需求时，逐渐暴露出模型容量不足、语义理解能力有限、资源利用率低等问题。基于大模型的智能搜索构建旨在通过引入大模型技术，提升搜索系统的智能化水平，优化用户体验，并解决超大规模检索、复杂语义理解、资源高效利用等核心问题。具体目标包括： 1、探索大模型与排序算法的结合，提升个性化排序的精度和用户体验； 2、研究生成式检索算法，解决百亿乃至千亿级别候选库的超大规模检索问题； 3、利用大语言模型（LLM）提升复杂多义Query的搜索满意度； 1、参与搜索引擎研发，探索搜索全链路（分析、召回、粗排、精排、混排）的个性化行为建模，包括CTR、CVR预估、向量召回、价值混排、RAG、NLP、LLM、多模态、机器学习、深度学习等，推动搜索算法的落地与提升； 2、参与搜索算法的优化与迭代，提升转化效率、用户体验和供给生态； 3、深入参与搜索产品的需求设计，负责算法和工程的高质量交付，持续优化效果提升产品体验； 4、挖掘数据，构建Query理解、召回、排序等模型，提升搜索算法能力； 5、学习前沿技术，探索大模型等创新技术在AI搜索场景的落地。