美团【北斗】搜索算法研究员（需求理解/供给理解/匹配能力）
任职要求
1.计算机科学、人工智能、软件工程等相关专业硕士或博士，具备扎实的算法、数据结构及编程能力，熟悉主流深度学习框架（如PyTorch、TensorFlow等）。 2.深入理解自然语言处理（NLP）、信息检索（IR）、机器学习等领域的核心理论与方法，熟悉搜推广系统、自然语言处理、生成式大模型、强化学习等至少一个领域，对AI技术充满好奇心，关注领域前沿进展。 3.具备实际数据处理能力，能够独立完成数据清洗、特征工程、模型训练与调优，具备良好的分析与解决复杂问题的能力。 4.具备良好的工程实现能力，能够将算法模型有效落地至实际系统，对高性能、高可用性系统有一定理解。 5.具备优秀的团队协作能力和沟通能力；对电商场景有基本认知，愿意深入理解用户需求与商业逻辑，将技术方案转化为业务价值。 6.在顶级学术会议/期刊（…
工作职责
研究方向一：基于时空场景感知的用户全域意图理解 1. 时空动态感知与即时需求捕捉，用户意图受地理位置（如商圈变化）、时间（如节假日/天气）、实时场景（如突发疫情）等多维度动态因素影响。 2. 多模态行为语义对齐与意图蒸馏，用户行为存在显性交互（点击/收藏）与隐性表达（页面停留/滑动速度）的多模态断层，且跨业务场景（到店/到家）行为模式差异显著。 3. 隐私安全的多场景知识融合，到店、到家等业务场景数据隔离导致用户认知碎片化，且需符合数据安全合规要求。 研究方向二：多模态供给理解与动态表征建模 1. 异构供给的统一语义建模，异构供给（商家/商品/服务/内容）的多模态信息融合难题，需解决文本、图像、视频等跨模态语义对齐与联合表征。 2. 实时供给状态感知与动态更新机制，如库存/价格/服务能力等高频变化要素的即时捕捉。 3. 领域知识增强的供给深度理解，构建覆盖本地生活全场景的细粒度知识图谱。 研究方向三：端到端生成式搜索系统的构建与优化 1. 端到端生成搜索架构构建，解决传统搜索系统"召回→粗排→精排→重排"多阶段解耦带来的信息损失问题，建立统一生成框架下的多目标联合优化机制；设计新型生成式排序范式，融合Scaling Law原理实现语义空间与行为空间的联合表征。 2. 生成结果的可控性与可解释性，构建多粒度约束解码机制，将业务规则、供给状态、合规要求等硬约束编码到生成过程中；同时设计基于强化学习的偏好对齐框架，实现生成质量的双重控制。 3. 实时推理性能优化，攻克大模型长序列处理的性能瓶颈，研发基于Attention稀疏化和状态复用的流式生成技术；设计轻量化验证网络，在保证生成质量的前提下将推理延迟降低至毫秒级，支撑亿级DAU场景。
1、负责共享两轮车电气件的硬件开发。 2、根据产品需求完成电气系统设计、硬件方案设计，编写设计文档。 3、负责关键电子元器件物料选型、原理图绘制和电路板布局布线，BOM确认，进行样板焊接和调试。 4、配合软件、结构、测试等部门完成产品开发和产品验证，跟进并解决生产问题。 5、跟踪存量产品的市场问题，制定并落地解决方案。 6、跟踪行业新标准和技术动态，参与新技术预研和应用。
信息工程介绍：构建空间智能商业引擎，支撑高德日均调用北斗定位4800亿次，我们在商业服务领域面临多重极端技术挑战；节假日搜索系统需承载超百万QPS峰值请求，同时保障更新99.999% SLA；实时管理海量动态服务节点（从充电桩状态到酒店房态），时空数据更新毫秒级延迟。 1、提升交易稳定性、数据一致性、缩短RT等； 2、业务层面打造交易平台，支持业务快速试错、迭代，提升产研效率，快速助力业务KPI的达成。 3、负责高德基于LBS本地生活类业务（例如：酒店、门票、加油充电、美食生服）的营销运营体系建设，营销引擎、增长相关系统研发和迭代。 4、参与系统稳定性保障体系的建设，包括系统风险识别与优化、稳定性工具沉淀，保障大促及平时业务系统稳定、高效运转 5、负责协调上下游团队，推动项目高效、有序落地。
1、研究大模型（如 GPT、BERT 等）在定位多径和多模态定位中的应用可能性。探索如何利用大模型强大的学习能力和泛化能力，对复杂的定位数据进行特征提取、模式识别和预测分析 2、深入研究定位多径问题，包括但不限于卫星定位（如 GPS、北斗）、无线定位（如 Wi-Fi、蓝牙）等场景下的多径传播机制,提升定位精度到米级别 3、深入钻研 RTK（实时动态）载波相位差分技术，对其核心算法进行优化与创新。研究多系统（如 GPS、北斗、GLONASS 等）融合下的 RTK 定位算法，通过改进算法提高定位的精度、可靠性和稳定性,复杂场景定位精度到1米
【课题说明】 通用模型往往难以兼顾多样化的场景需求，容易出现泛化能力强但针对性不足的问题。针对这一挑战，本课题聚焦于研究面向具体业务或应用场景的强化学习训练优化策略，通过引入场景特定的奖励函数、环境建模和数据采样机制，提升模型在特定任务下的表现能力与适应性。课题重点突破模型在细粒度场景下的泛化能力不足、奖励稀疏、训练效率低等问题，为大模型的行业落地提供有力支撑。 【建议研究方向】 1.场景特定奖励设计：针对不同业务场景，定制化设计奖励函数，提升模型在目标任务中的表现能力。 2.环境模拟与数据生成：构建高保真场景模拟环境，开发高效的数据采样与生成机制，提升强化学习训练效率。 3.迁移与泛化能力增强：研究多场景迁移学习与元强化学习方法，提升模型从通用能力到场景定制能力的转化效率。 4.推理增强型RAG系统：基于图结构的知识融合、混合模型的协同推理架构和强化学习驱动的优化方法，进一步提升RAG系统能力。 5.基于价值观约束的大模型风险控制与安全防护。