Soul APP推荐/搜索系统工程师
任职要求
1. 具备优秀的编码能力，掌握扎实的数据结构和算法基础，能够使用Python、Java中的一种或多种语言进行高效编程，并具有良好的代码风格； 2. 熟悉常用的消息队列、缓存系统、以及机器学习框架等开源组件； 3. 具备处理高并发、高负载、高可用系统的设计和开发经验； 4. 具备良好的沟通和表达能力，对信息流用户体验有深刻的理解和见解。 5. 经验与教育背景： - 行业内大型项目经验：有参与过推荐系统、搜索引擎或广告平台等相关领域大型项目的经验。 - 计算机科学、数学、通信、电子工程等相关专业的…
工作职责
1. 用户体验优化：通过优化推荐策略和技术手段，显著提升亿级用户量推荐产品的用户体验。 2. 全链路架构设计与研发：负责亿级用户量推荐产品的整体架构设计与系统研发工作，专注于解决推荐核心系统的架构优化问题。 3. 架构抽象与流程优化：针对推荐场景进行架构抽象和流程优化，以支持大规模机器学习模型的应用和优化。
1、负责个性化推荐、搜索、电商、广告技术平台（特征平台、召回、排序、向量索引、正排服务、引擎服务）架构设计、开发落地、深度优化等； 2、积极进行业务场景思考，推动业务上线，按期取得业务产出； 3、持续跟踪业界新技术。
职位描述： 1. 负责街猫直播和电商的推荐搜索相关业务； 2. 负责直播和电商业务场景中推荐和搜索系统建设、策略优化等方向，提升场景转化效率； 3. 追求技术创新和实际业务的结合，深入剖析推荐和搜索系统的问题，不断提升用户的体验和业务指标；
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： 1、课题背景：随着互联网数据规模的爆炸式增长和用户对搜索体验需求的不断提升，传统搜索引擎基于关键词匹配和规则推理的局限性日益凸显。例如，用户意图的复杂性、自然语言的歧义性、多模态数据（文本、图像、视频等）的融合检索需求，以及长尾查询的精准响应等问题，均对搜索系统的智能化提出了更高要求。 近年来，大模型技术（如GPT、BERT、多模态大模型等）在自然语言理解、知识推理和生成任务中展现出强大能力，为智能搜索的语义理解、意图识别和个性化推荐提供了新的技术路径。同时，数据库技术在高效数据存储、索引优化和实时检索方面的持续演进，为构建支持大模型推理的高性能搜索系统奠定了基础。 2、研究方向：本课题旨在结合大模型技术与数据库技术，探索新一代智能搜索系统的核心架构与关键技术，突破传统搜索的语义理解瓶颈，构建更高效、精准且可扩展的智能搜索服务，满足复杂场景下的用户需求。
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： 1、课题背景：随着互联网数据规模的爆炸式增长和用户对搜索体验需求的不断提升，传统搜索引擎基于关键词匹配和规则推理的局限性日益凸显。例如，用户意图的复杂性、自然语言的歧义性、多模态数据（文本、图像、视频等）的融合检索需求，以及长尾查询的精准响应等问题，均对搜索系统的智能化提出了更高要求。 近年来，大模型技术（如GPT、BERT、多模态大模型等）在自然语言理解、知识推理和生成任务中展现出强大能力，为智能搜索的语义理解、意图识别和个性化推荐提供了新的技术路径。同时，数据库技术在高效数据存储、索引优化和实时检索方面的持续演进，为构建支持大模型推理的高性能搜索系统奠定了基础。 2、研究方向：本课题旨在结合大模型技术与数据库技术，探索新一代智能搜索系统的核心架构与关键技术，突破传统搜索的语义理解瓶颈，构建更高效、精准且可扩展的智能搜索服务，满足复杂场景下的用户需求。