拼多多推荐算法工程师-用户增长
任职要求
任职要求 1.有召回，排序(ctr/cvr)，NLP等算法经验优先； 2.掌握机器学习、因果推断、概率统计、数据分析等领域的基础知识，了解前沿算法； 3.熟悉深度学习领域常用算法和工具，熟悉Tensorflow/PyTorch等至少一种…
工作职责
推荐/广告/增长/NLP/大模型均有需求 1.通过机器学习及业界领先的推荐技术驱动电商用户增长。 2.负责推荐系统的各阶段效果优化，包括召回、排序、重排序等； 3.研究深度学习、自然语言理解、计算机视觉等领域的前沿算法，结合业务做算法改进和优化
1、负责并参与快手用户增长部门推荐架构开发工作，支撑高并发系统的架构设计与升级； 2、参与大规模分布式训练、推理、召回等CPU、内存密集型服务优化工作，参与样本、特征工程能力建设； 3、参与增长推荐业务全链路服务建设工作，与算法紧密合作获得线上业务收益； 4、参与问题追踪、系统抽象重构、业务提效等复杂单点问题、系统化问题的解决与实现。
1、深入快手支付业务场景，参与支付用户增长、支付渠道推荐、流量分发、保险业务等场景的算法研发，提升快手支付业务用户增长和平台营收； 2、负责支付业务各算法场景的技术攻关，参与机器学习、深度学习领域的核心研发工作，包括但不限于神经网络模型的设计与优化，营销uplift模型、归因模型等的算法和系统研发； 3、针对快手平台海量用户行为和画像数据，结合支付业务约束和诉求，设计针对性的多目标优化策略、运筹优化策略和推荐策略，提升用户转化效率。
-角色和剧本模型训练：优化角色和剧本类大模型的行为策略、长期记忆管理和多模态交互能力，突破角色行为一致性、情感表达合理性等技术瓶颈 -前沿探索：研究人格化模型在情感计算、社会常识推理等方向的突破，定义 AI 角色从「功能执行」到「人格化陪伴」的技术范式 -极致性能优化：大规模模型的分布式训练优化，提升角色类模型的推理效率与资源利用率，指令微调、偏好对齐、数据增强等技术的场景化创新 -规模增长：通过传统搜索、信息流等途径结合用户分析进行产品用户规模增长
用户方向 1.通过数据分析构建用户画像，分析用户交易行为及用户旅程，挖掘trade-in, trade-across, trade-up的驱动因素及转化路径； 2.设计因果推断实验（如A/B测试、双重差分法），量化促销活动、定价策略对用户消费、用户增长的影响，评估广告渠道ROI优化投放策略； 3.构建用户分层模型，识别高价值消费人群，输出定向运营策略（如精准发券、商品推荐），制定留存策略； 4.研究用户生命周期内的消费习惯，结合消费者心理学理论，优化“人-货”匹配效率，提升用户ARPU值。