拼多多生成式搜索推荐算法专家/研究员
任职要求
1、计算机、人工智能、机器学习等相关专业优先； 2、在搜索、推荐、广告等领域有扎实的算法基础和实践经验，熟悉召回、排序、CTR/CVR 预估等核心技术； 3、熟悉深度学习框架（PyTorch / TensorFlow），具备…
工作职责
1、负责电商搜索与推荐系统核心算法研发，包括召回、CTR/CVR 预估、排序与重排等关键模块的模型设计与优化，持续提升系统效果与效率。 2、探索并构建新一代 生成式搜索推荐（Generative Search & Recommendation）架构： - 基于端到端生成式范式重构传统召回链路，包括 tokenizer 设计、Next Token Prediction 预训练、RL 后训练等关键技术； - 打破传统级联式召回/排序架构中多阶段优化目标不一致的问题，实现端到端优化； - 构建具备良好 scaling law 的生成式召回系统，提高模型效果上限与算力利用效率。 3、研发 搜推大模型（Search & Recommendation Foundation Model）： - 基于 RankMixer、HyFormer 等类 Transformer 架构，提升模型在用户行为序列建模、长序列理解与复杂特征交互方面的能力； - 探索大模型在召回、粗排、精排等阶段的统一建模能力； - 推动大模型在电商搜索与推荐场景中的规模化落地。 4、跟踪和推动前沿技术方向，包括 Generative Retrieval、LLM for Recommendation、Foundation Model for Search & Ads 等，并推动技术创新与产业化应用。
团队介绍：字节跳动基础架构数据库团队，致力于构建认知型数据基础设施，持续定义数据技术的未来边界。团队基于全栈自研技术，打造了涵盖关系型数据库、NoSQL 数据库、大规模图平台、多模态搜索、云原生中间件等十余项产品的数据库矩阵，用独创的技术架构实现事务处理、混合查询、智能检索等全场景覆盖。我们不仅支撑集团核心业务，更通过火山引擎为客户提供具备企业级稳定性的数据库产品，助力客户以数据驱动实现业务增长。团队在大规模分布式架构、极致性能计算/存储引擎、软硬协同优化等领域具备顶尖技术积淀。面向 AI 时代，我们正在突破传统架构边界：一方面深化 AI 原生驱动内核、AI 算子优化等创新方向，推动数据库向智能 Copilot 演进；另一方面聚焦超大规模图计算、分布式跨模态数据联邦查询等前沿领域，构建支持跨模态数据管理的下一代设施。我们践行“务实浪漫”的极客文化，既在 VLDB 、SIGMOD 等顶级会议持续输出突破性成果，又以商业落地为导向打造全场景的产品矩阵。团队汇聚众多顶尖数据库专家和卓越工程师，分布在国内/海外多地。现诚邀具备数据库内核研发经验、分布式系统架构能力及 AI 创新视野的优秀人才，共同探索技术无人区，定义 AI 时代的数据基座，赋能全球企业实现 AI 驱动的业务变革。 1、负责AI时代的数据库架构设计：涵盖支持AI/ML工作负载的新型数据库系统架构，优化AI模型训练与推理的数据访问效率；构建支持向量搜索、图计算、时序分析等AI场景的混合型数据库解决方案，探索LLM大模型与数据库系统的深度集成方案，如自然语言SQL生成、智能查询优化； 2、负责数据库智能策略研发：研发基于 AI 的数据库性能调优系统，包括自动索引推荐、查询计划优化、资源分配策略等；构建智能监控系统，实现异常检测、根因分析、容量预测等AIOps能力；开发自适应存储引擎，根据数据访问模式动态调整存储结构； 3、负责AI数据基础设施构建：构建AI数据基础设施，如支持特征工程、模型训练、推理服务的全流程数据管道架构，实现数据库与机器学习框架（TensorFlow/PyTorch）的高效对接； 4、负责AI与数据库结合的实践方案探索与落地：探索AI技术和数据库各产品结合的最佳实践方案并落地，服务超大规模的集团内部业务及火山引擎业务。
【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。
B端搜索推荐要面对企业级权限体系与搜推系统深度耦合的难题，同时要解决企业规模、人员活跃度等企业/员工上下文带来的内容分发策略的挑战，充分利用企业的组织架构、员工在多种场景的行为互动数据，设计兼顾内容安全与搜推效果的混合搜推框架，突破传统C端的技术范式。 1. 构建千万级DAU的搜推系统，设计用户视角的搜推产品，应对流量洪峰带来的对系统各种维度的挑战，包括链路稳定性、内容分发延迟、特征实时性、数据多版本控制等。 2. 充分利用企业数据“小样本、高碎片、强逻辑”的特点，设计高效精准的数据、算法链路，挖掘企业用户画像，结合工作关系链等信息，实现各种场景下内容准确分发，另外结合钉钉端侧的优势， 设计端侧和服务侧结合的搜推方案，提升内容分发的实时性。 3. 大模型的出现对搜推系统的架构影响很大，端到端生成式搜索推荐是目前业界的研究热点，紧跟业界前沿，探索大模型在搜推算法、数据处理分析、用户行为特征挖掘等领域的运用。
1. 负责滴滴金融保险风险场景的模型设计、建设、开发、应用落地、持续迭代优化，为业务风险指标负责。 2. 拆解业务风险指标，转化为模型指标，并为之设定合理的提升目标 3. 尝试各类特征工程方法，挖掘集团内外部数据，加工生成有效特征，优化模型效果 4. 数据算法创新，了解并跟进业界领先的人工智能和深度学习进展，推动新的技术在风控领域落地