拼多多NLP算法工程师/专家（用户增长方向）

团队介绍 AE搜索算法团队，负责AIDC AliExpress（AE）、JP- AO和天猫淘宝海外等国际化电商搜索业务优化，为全球100多个国家使用不用语言的用户持续电商搜索体验与效率，并结合大模型升级技术与产品体验创新。 多年来团队紧跟工业界和学术界前沿，在多语言Query理解与相关性、国家差异化召回与排序模型、多语言Query导购与大模型在多语言搜索中应用等技术方向持续探索创新，带来业务快速增长同时发表⾼⽔平学术论⽂20+篇（如AAAI、 IJCAI、TKDE、TMM、RecSys、CIKM和ICDM），申请专利15+项。 职位描述 1. 多语言 Query 理解、商品理解和相关性，包括：Query和商品NER、Query类目预测、Query改写与扩展、多语言&跨语言语义相关性等；LLM在多语言电商搜索领域应用，包括：大模型 CT 和 SFT，以及在Query理解、语义相关性、商品理解上的应用； 2. 个性化召回与排序相关技术：基于大规模深度模型的CTR/CVR预估模型及个性化召回模型，包括用户行为序列建模、多目标建模、多模态跨场景迁移建模、国家差异化建模体系建设等； 3. 个性化多语言Query推荐，包括：下拉、底纹、风向标等场域，基于异构行为序列建模、多场景建模的多语言Query推荐技术研究与应用；

团队介绍：字节跳动搜索团队主要负责抖音、今日头条、西瓜视频等产品的搜索算法创新和架构研发工作。我们使用最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）探索最前沿的NLP技术：从基础的分词、NER，到应用上的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）探索跨模态匹配技术：在搜索中应用CV+NLP深度学习技术，让视频搜索拥有更强大的检索能力；3）探索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）探索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，方方面面都进行深入研究和创新。 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，推动搜索算法在国际化电商场景的落地与提升，提升亿级用户搜索体验； 2、参与国际化电商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；解决多语言相关性匹配、权威性感知、种草内容理解、重复铺货、山寨假货治理等技术难题，极致优化内容电商、传统货架电商等多种电商业务形态的基础搜索质量；极致提升商品、种草视频和带货直播的购物转化效率，促进GMV增长； 3、深入参与核心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，提升电商搜索算法能力； 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。

1、负责各业务电话销售/智能客服的算法研发与优化，支撑支付、消金、保险各业务的快速增长，提升用户体验； 2、负责NLP相关的数据挖掘，包括内容理解、情感/舆情分析等算法方向，支持业务增长，推动产品改进。

团队介绍：Data-电商-智能对话团队，致力于打造业界领先的大模型对话系统。团队服务的日活用户超过数亿，应用场景覆盖抖音电商全链路，包括平台客服、平台商服、商家客服、达人客服，以及创新的智能导购等核心业务场景，通过持续的技术创新和优化，成功构建了一套完整的智能对话解决方案，为电商业务带来了显著的效率提升和用户体验改善。 课题介绍： 背景：电商智能客服正逐渐成为业务增长和用户体验优化的重要方向，基于大型语言模型（LLM）的智能客服系统解决电商场景中的核心挑战，由LLM完成一次用户进线的完整接待过程，包括诉求澄清、方案协商、方案执行等阶段，实现电商业务的智能化升级——让用户享受更智能高效的客服服务。 研究方向：本课题聚焦于LLM 后训练与智能客服。构建基于 LLM 的多智能体（Multi-Agent）框架，通过规划、回复、工具三类Agent的协作，实现从问题分析、方案执行到结果反馈的全流程智能客服。核心目标是确保客服对话的准确性、合规性与流畅度，避免模型生成幻觉或违背平台政策。同时，围绕电商客服的复杂任务，构建 Benchmark数据集，优化SOP遵循、多轮交互、用户满意度等指标。此外，研究高效数据利用方法，探索低标注数据条件下的LLM训练，并开发自动生成高质量训练数据的系统，以降低人工标注成本，提高智能客服的服务质量与效率。 1、开发AI驱动的智能客服系统：设计并实现AI对话式客服助手，能够处理电商咨询、投诉、退款、争议解决及物流相关问题，以AI替代传统人工客服； 2、大语言模型（LLM）后训练与高效学习：应用最前沿的LLM训练优化技术，如指令微调、强化学习、持续学习等，在最少标注数据的情况下优化AI客服响应质量；具备大语言模型（LLM）微调、知识蒸馏或强化学习的相关经验，应用于对话式AI场景；深入理解检索增强生成（RAG）、专家混合模型（MoE）、稀疏注意力、强化学习、推理时间优化等技术，以提升AI对话质量； 3、基准测试与训练数据构建：识别具有挑战性的客服交互场景，如政策解读、争议处理、客户投诉、导购推荐等，并构建专门的测试集和训练集； 4、多语言与跨文化客服支持：构建能够适应多语言和不同文化背景的AI模型，确保客服交互的精准翻译和针对不同用户群体的合适响应；精通多语言自然语言处理（NLP）、机器翻译及跨语言对话建模； 5、模型优化与高效部署：研究模型压缩、量化、推理优化等技术，确保AI客服助手在大规模应用场景下具备低延迟、高可靠性的表现。