
得物推荐算法专家(社区)
任职要求
1. 本科及以上学历,具有推荐、广告、搜索算法、用户增长等领域的实践经验; 2. 掌握扎实的计算机科学基础知识 (数据结构/算法/网络等) ,具备优秀的编码能力 (至少熟练掌握 C++/Java/Python 等一种主流开发语言); 3. 掌握机器学习的理论基础,熟悉经典的算法模型 (GBDT/LR/FM/DNN等) 和相关工具框架 (Tensorflow/PyTorch等); 4. 具有敏锐的数据分析和洞察能力,熟悉常见的大数据开发工具(Spark/Hive/Hadoop等); 5. 具有出色的解决问题能力、良好的理解沟通能力和优秀的团队合作意识,有激情、不畏难、乐于挑战; 6. 有学术成果优先,如KDD、SIGIR、AAAI、CIKM、ICDM等国际会议上发表过论文。
工作职责
【团队介绍】 得物社区推荐算法团队负责得物app中得物推荐页的内容推荐业务,直接优化得物社区流量的推荐算法策略和模型效果。我们的工作内容包含推荐漏斗的大规模推荐算法优化,包括但不限于召回、粗排、精排、重排算法和模型优化以及多模态、生成式推荐技术优化。 团队由来自不同背景的优秀同学组成,具备深厚理论基础和丰富行业实践经验。 (包括来自国内外知名大厂的前员工、推荐/广告/搜索算法领域的的专家等),也有许多年轻高潜、成长迅速的superstar(清北复交等top学校的候选人)。团队技术氛围良好,既有充分的自由度进行前沿技术探索,又有大规模的业务场景进行落地验证,团队近年已有一些成果发表在SIGIR、AAAI、ACM MM、CIKM等顶会上。 团队整体核心业务稳定,创新场景丰富,成长空间巨大,亟待更多优秀的同学加入做更多有挑战的事! 职位描述 1. 负责信息流推荐的业务推荐算法工作,深入理解社区推荐业务形态。和产品运营一起制定业务目标和推荐策略,推进业务增长和前沿技术落地,完成整体业务目标; 2. 研究方向包括信息流推荐的召回、粗排、精排、重排等算法方向的算法优化,包括不限于图神经网络学习、多模态/大模型推荐技术、多目标优化、生成式推荐等方向的研究; 3. 深入参与深度学习技术研究方向,解决具体业务问题的同时,形成完整的方法论和创新的idea; 4. 组织推进组内以及跨部门合作项目,帮助团队进步和新人成长。

工作职责: 负责微店APP社区feed的推荐业务,实现个性化推荐业务中包括召回、排序、策略等多个环节的工作: 1. 沉淀社区推荐技术,并探索业务的边界。能够从复杂业务环境中抽象出清晰具体的技术问题,并将推荐算法技术有效应用于微店社区图文及视频推荐,提升海量用户体验。 2. 深入理解图文、视频等推荐相关的深度学习算法,加深内容理解和用户理解,优化模型和策略,持续提升业务效果。 3. 与各部门(产品,技术等)的同事一起深入交流合作,共同迭代和优化社区信息流推荐业务。

【团队介绍】 得物社区搜索致力于打造年轻人消费决策首选的内容搜索平台,是得物app及社区内容消费的重要入口。当前团队聚焦在搜索全链路的优化,包括多模态语义匹配、个性化排序、内容质量、搜索增长等方向,持续提升搜索体验和规模,帮助用户更高效地发现有用内容完成决策,构建良性的社区内容生态循环。 团队成员来自国内一线互联网公司,核心骨干经验丰富,同时也聚集了一批具备快速成长潜力的年轻算法工程师,整体风格开放、高效、注重技术钻研与业务交付能力,致力于构建兼具深度与活力的搜索技术团队。 当下正值搜索能力升级与大模型技术融合的关键期,团队拥有良好的技术氛围和充足的资源投入,欢迎对搜索/大模型技术理解深刻、热爱改进用户体验、具备技术探索精神的你加入,共同打造下一代社区搜索系统。 职位描述 1. 协同产运业务团队,共同定义搜索体验演进方向,围绕社区用户需求与内容生态特点,推进相关性匹配、内容质量、个性化优化、意图激发等关键能力落地,提升搜索场景在内容消费与用户决策中的价值,完成整体业务目标; 2. 负责搜索系统的全链路建设与优化,包括召回、排序、重排、相关性、搜索增长等核心模块。重点方向涵盖多模态语义匹配、 内容质量、用户全域全周期个性化建模、全链路一致性/多目标建模等; 3. 深入探索基于大模型的搜索优化路径,结合搜索及社区图文视频数据,推动多模态理解匹配、意图理解、生成式召回等新技术的工程化实践,实现前沿算法与复杂业务场景的高效结合; 4. 参与跨团队协作,推动跨部门项落地,在与工程、数据等团队的高效配合中,扩大影响力;同时在团队内部推动协作规范、知识沉淀与技术氛围建设,帮助团队能力持续进步。

1、支持快速增长、大规模dau的得物电商&社区业务的搜索/推荐工作; 2、利用海量数据搭建业内领先的机器学习算法和架构,建模用户购物兴趣,提升用户体验; 3、应用先进的机器学习技术,解决各种在线/离线、大数据量/小数据量等不同场景中遇到的技术和业务挑战,包括多类型内容分发、新用户承接、新品冷启动等; 4、对电商生态中用户、商家的行为做深入的分析和理解,制定算法策略促进生态良性发展; 5、独立负责产业务场景中的一个模块,与产品、运营团队一起,对模块的未来发展进行规划和设计,制定推荐策略的目标。
业内研究表明,生成式的推荐系统存在Scaling Law现象,Scaling Law的出现相较于现有推荐系统无法通过扩充持续提升效果的现象,提出了新的可能性。该团队负责小红书生成式推荐方向,目前已经完成了原型架构的开发和线上验证,欢迎业内在推荐/广告/搜索等领域的专家一起,共同探索生成式推荐在真实业务场景的价值。 【职位描述】 1、负责生成式推荐在小红书社区推荐&展示广告场景的研发; 2、在生成式架构下,重新思考传统推荐架构中的行为建模技术(如超长序列、多兴趣等),并在召回/排序等场景中进行应用; 3、与MLLM和架构团队配合,将其他生成式模型的知识和能力迁移进实时的生成式推荐架构中;