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。
1. 负责淘宝闪购导购主链路，生成式搜索推荐系统的研发工作，包括但不局限于OneRec/OneSearch类的生成式架构的设计与实现，覆盖千万级DAU的个性化搜索推荐场景。 2. 主导生成式推荐全链路算法开发，包括端到端内容生成、Decoder Only架构优化、强化学习奖励系统设计等创新模块，显著提升计算效率与推荐质量。 3. 构建多模态用户行为建模系统，将短期搜索点击行为与长期购买偏好融合，打造具备语义理解能力的用户标识(UID)体系。 4. 探索生成式技术在搜索排序中的应用，开发层次量化编码技术，解决商品信息结构化难题，提升CTR和订单转化率。
随着大模型从"被动响应"向"主动规划"的范式跃迁，Agentic AI 正在重构搜索营销的技术底座。用户查询意图呈现极端复杂化与长尾化，传统关键词匹配已触及能力边界。我们致力于构建业界首个面向搜索场景的生成式营销智能体，打破商业变现与用户体验的零和博弈，让 AI 化身具备自主决策能力的"金牌种草官"，开启"语境变现"的新纪元。 1. 自主规划与多轮决策：构建具备 Tool Use 与长链路推理能力的 Autonomous Agent，实现复杂意图的多步拆解与动态商业解法推演； 2. 可信生成与事实校验：探索 RLHF 与多维度验证机制，打造事实一致性约束的可靠 Agent，确保商品规格、价格等核心商业信息零误差； 3. 个性化风格迁移：通过 Reward Model 与 RLHF 技术，实现 Agent 输出与小红书"网感"的深度对齐，达成千人千面的原生种草表达；
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、红果短剧、番茄小说、AI搜索等产品以及电商、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\大模型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，致力于支撑字节跳动持续多元化的产品创新和高速的业务增长、基于大模型革新和重塑下一代搜索技术体系，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：全面基于LLM的Query分析、相关性、个性化预估、满意度评估、生成式检索等，全链路应用LLM/VLM，每个细节都充满挑战； 2、跨模态匹配技术：进行多模态预训练，在超大规模的多模态表征、匹配、生成等多个技术方向上持续突破，打造世界领先的多模态搜索系统； 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、因果推断、大模型推理等技术手段，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：随着大模型技术的快速发展，AI搜索领域迎来了新的机遇和挑战。传统搜索技术在面对海量数据、多模态信息以及用户多轮复杂需求时，开始暴露出很多问题。因此需要基于大模型来构建下一代AI搜索系统，提升搜索系统的智能化水平，优化用户体验，具体目标包括： 1、探索大模型与排序算法的结合，提升个性化排序的精度和用户体验。 2、探索基于多模态预训练的端到端生成式搜索大模型 3、探索基于大模型Agent技术，提升复杂多义Query和多轮搜索下的用户满意度。 课题挑战： 1、个性化排序的挑战：传统排序算法难以充分利用多模态信息，且模型复杂度有限，无法满足用户对精准化和个性化搜索的需求； 2、超大规模检索排序的挑战：传统的基于判别式的级联排序系统，难以满足搜索千亿级别候选的检索排序效率需求； 3、搜索需求日益复杂的挑战：用户搜索需求的复杂度在不断增加，传统搜索框架难以在多轮对话下，准确理解长难、多义Query的语义，导致搜索结果满意度低。 课题价值： 1、技术价值：突破传统搜索技术瓶颈，构建大模型Agent驱动的下一代AI搜索架构，解决个性化排序、超大规模检索排序、复杂搜索需求理解满足等行业难题； 2、业务价值：大幅度提升搜索的用户体验和满意度，带动搜索场景LT和主动搜索心智的提升。
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、红果短剧、番茄小说、AI搜索等产品以及电商、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\大模型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，致力于支撑字节跳动持续多元化的产品创新和高速的业务增长、基于大模型革新和重塑下一代搜索技术体系，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：全面基于LLM的Query分析、相关性、个性化预估、满意度评估、生成式检索等，全链路应用LLM/VLM，每个细节都充满挑战； 2、跨模态匹配技术：进行多模态预训练，在超大规模的多模态表征、匹配、生成等多个技术方向上持续突破，打造世界领先的多模态搜索系统； 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、因果推断、大模型推理等技术手段，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：随着大模型技术的快速发展，AI搜索领域迎来了新的机遇和挑战。传统搜索技术在面对海量数据、多模态信息以及用户多轮复杂需求时，开始暴露出很多问题。因此需要基于大模型来构建下一代AI搜索系统，提升搜索系统的智能化水平，优化用户体验，具体目标包括： 1、探索大模型与排序算法的结合，提升个性化排序的精度和用户体验。 2、探索基于多模态预训练的端到端生成式搜索大模型 3、探索基于大模型Agent技术，提升复杂多义Query和多轮搜索下的用户满意度。 课题挑战： 1、个性化排序的挑战：传统排序算法难以充分利用多模态信息，且模型复杂度有限，无法满足用户对精准化和个性化搜索的需求； 2、超大规模检索排序的挑战：传统的基于判别式的级联排序系统，难以满足搜索千亿级别候选的检索排序效率需求； 3、搜索需求日益复杂的挑战：用户搜索需求的复杂度在不断增加，传统搜索框架难以在多轮对话下，准确理解长难、多义Query的语义，导致搜索结果满意度低。 课题价值： 1、技术价值：突破传统搜索技术瓶颈，构建大模型Agent驱动的下一代AI搜索架构，解决个性化排序、超大规模检索排序、复杂搜索需求理解满足等行业难题； 2、业务价值：大幅度提升搜索的用户体验和满意度，带动搜索场景LT和主动搜索心智的提升。