蚂蚁金服研究型实习生-用户多源行为序列预训练表征建模算法研究

研究领域： 隐私计算 项目简介： 1.项目背景 在人工智能技术快速发展的今天，UIAgent（用户界面智能代理）正成为下一代人机交互的核心入口。然而，如何获得或构建海量多模态数据（如行为轨迹、界面标注信息、系统动线日志等）是研究的关键。但如何在保障数据隐私合规的前提下，完成高质量的场景重建与语料建模，已成为制约技术落地的关键瓶颈。本课题聚焦这一核心矛盾，探索隐私保护与数据效用之间的最优平衡，为UIAgent提供安全、合规、可用的基础数据支撑。 2.研究目标 本项目旨在构建一套全流程隐私保护框架，解决以下核心问题： 多源异构数据脱敏：针对文本、图像、时序行为等多模态数据，设计可组合的隐私擦除策略； 场景语义保真重建：在去除个人身份信息（PII）的同时，保留用户行为模式与系统交互逻辑的语义完整性； 隐私-效用博弈建模：通过理论分析与实验验证，量化隐私预算与模型性能间的权衡关系。 3.核心亮点 生成式隐私增强技术：基于扩散模型/VAE生成合成数据，既还原真实场景分布又规避隐私泄露风险； 行为轨迹知识蒸馏：将原始轨迹中的高敏感操作（如输入内容）抽象为低维符号序列，保留系统动线拓扑结构； 极致数据压缩技术：UIAgent的核心目标是理解和预测用户的界面交互行为，而非复现像素级视觉细节，将探索最小必要数据的边缘。

团队介绍：广告业务原为商业产品与技术部门，为抖音集团的商业变现提供广告产品与技术，负责端到端大型广告系统建设，覆盖抖音、今日头条、西瓜视频、番茄小说、穿山甲等产品矩阵，践行"激发生意新可能"理念，致力于让营销更省心、更高效、更美好，推动商业的可持续增长，让不分体量、地域的企业及个体，都能通过数字化技术激发创造、驱动生意。连接广告主、用户及生态伙伴、成为开放共赢的全球最佳智能营销平台之一。在这里，你将投身建设面向未来的数字营销能力，接触到全球先进的商业产品架构、模型和算法，在互联网广告行业始终创新。 课题介绍： 1、核心技术架构： 1）下一代广告技术栈： 模型算法层：搭建基于强化学习的智能出价与流量预估系统，攻克深层转化场景下的数据稀疏、多源异构数据融合（延迟数据/埋点噪声/跨平台行为）等行业难题； 系统工程层：构建支持基于长序列特征的实时预估框架，研发支持动态创意组合的自动化投放引擎； AIGC融合层：建立文/图/视频多模态生成技术中台，实现从IP素材生成到智能投放的全链路闭环； 2）行业首创的AIGC解决方案： 正在搭建全球领先的"小说→漫剧"智能生产线，攻克三大技术堡垒： 多模态叙事引擎：研发支持角色一致性保持（Character-aware Diffusion）、分镜自动生成（Storyboard LLM）、动态运镜控制（Camera ControlNet）的复合型生成框架； 工业化工作流：构建支持分布式渲染、多版本AB测试、合规性审核的智能生产管线，实现日均千级素材产能； 投放增效系统：开发生成质量量化评估模型（QAGAN），建立素材生成-投放效果的反哺优化机制； 2、岗位挑战： 你将主导： 构建支持沿模型的混合推理框架，优化多卡并行下的生成效率； 设计跨模态对齐算法，提升文字指令到视觉元素的可控生成精度； 研发基于用户行为分析的智能素材变异系统，实现CTR提升30%+的个性化内容生成； 打造从内容生产到实时竞价的全自动化广告引擎； 3、我们期待这样的开拓者： 精通Diffusion Models技术栈，具有LoRA/ControlNet/T2I-Adapter等微调框架的实战调优经验； 熟悉多模态大模型（如VideoPoet、Sora等视频生成技术原理），具备跨模态表征学习研究背景； 拥有广告算法背景者优先，熟悉CVR预估、智能出价等核心模块与生成式AI的结合点； 出色的工程化能力，主导过至少一个完整AIGC项目的端到端落地（从模型训练到服务部署）。

业务丰富，技术领先 高德打车算法团队深度赋能打车业务全链路，涵盖 用户增长、风控、服务管控、路线与上下车点推荐、ETA 预估、智能客服 等核心场景。多样化的业务挑战为算法创新提供了广阔的发挥空间，团队已在 AI 顶级会议发表成果。 精英阵容，国际视野 团队成员来自泰晤士世界大学排名 Top 10 的高校，以及美国常青藤、清华、北大等顶尖院校，兼具国际化背景与一流技术视野。 持续成长，共享共进 团队每周固定进行技术分享，氛围开放、互助友好；除了解答算法与工程难题，资深同事还会分享项目经验，并传授业务理解与问题解决的方法论，助你快速成长。 高德打车算法团队致力于用前沿AI技术重塑每一次打车体验。我们不是在做“推荐路线”，而是在理解用户为什么这样出行——他们偏爱哪条路？为何总在某个路口取消订单？哪些投诉背后藏着未被听见的需求？ 我们正在寻找对用户行为洞察和大模型落地充满热情的实习生，与我们一起，用AI读懂出行的“潜台词”，让平台更懂你。 在这里，你将： • 构建用户出行偏好画像 基于海量行程数据，利用大模型（LLM）挖掘用户在路线选择、上下车点偏好、出行时段等方面的隐性行为模式，构建个性化出行画像，驱动个性化推荐与服务预判。 • 挖掘路线与上下车点的“隐藏特性” 分析亿级路线片段与上下车点的时空特征，通过大模型语义理解与多源信息融合，提炼可量化、可解释的“路段 / POI 质量标签”，优化点线相关推荐服务的质量。 • 提升投诉反馈的智能响应与信息透出能力 构建基于大模型的客诉理解与归因系统，自动识别投诉核心诉求（如“绕路”“司机态度”“等太久”），关联具体路线/上下车点/时段，生成结构化反馈报告，推动产品优化与客服话术升级，实现“从听抱怨到改体验”的闭环。 • 推动大模型技术在真实场景中的闭环落地 应用RAG、SFT、DPO、AI Agent等技术，构建可解释、可追踪、可迭代的智能系统，让模型不只是“跑得准”，更能“说得清、改得动、用得好”。 你的工作将直接服务全国数亿用户，每一次模型优化，都可能让一位用户少等5分钟、多一份安心、少一次投诉。你不是在写代码，你是在重塑人与出行之间的信任关系。

研究领域： 人工智能 项目简介： 在监管合规对话聊天场景中，需要针对用户给出的法规/态势/舆情等相关问题给出对应建议及观点，而用户问题涉及知识相对比较宽泛，依赖于多源数据（联网数据及内部知识库），且不同类型问题依赖检索逻辑不一。传统的RAG中通常通过改写步骤来保证问题的召回，在涉及专业领域知识时需要大量领域人员进行标注，耗费人力且效果不佳。