小米推荐算法工程师（增长方向）
任职要求
1. 计算机、数学、统计学等相关专业，硕士及以上学历 2. 3年以上推荐算法或增长算法经验，有互联网大厂千万级用户增长项目实战经验优先 3. 技术能力： - 扎实的机器学习/深度学习基础，熟悉增长相关的推荐算法（如冷启动优化、探索与利用、强化学习等） - 熟悉大规模数据处理（Hadoop/Spark/Flink）和实时推荐架构（如Flink+Redis） - 熟练使用Pyt…
工作职责
1. 负责小爱千万级日活用户的推荐算法优化，通过个性化推荐策略提升用户活跃度、留存率，直接驱动DAU增长 2. 深入分析用户增长漏斗，优化召回、排序、多样性策略，设计增长导向的推荐算法策略，提升推荐系统点击率 3. 探索大模型（LLM、多模态等）在推荐场景的应用，如智能对话推荐、兴趣挖掘等，提升推荐体验和用户粘性 4. 与产品、运营、数据团队紧密协作，设计并落地A/B实验，快速迭代策略，实现可量化的业务增长
我们正在寻找一位经验丰富的算法工程师（用户增长方向），专注于通过前沿技术和数据驱动策略推动用户增长。您将运用AI技术和算法模型，通过优化用户获取和留存策略，提升产品的市场竞争力。我们希望您能够通过高效的算法迭代和技术创新，持续驱动用户增长并优化各类增长策略。 具体岗位职责如下： 1. 用户增长算法开发：设计并实现能够有效驱动用户增长的算法模型，如用户行为分析、推荐算法等，基于数据分析来优化用户转化率和留存率； 2. AI驱动的增长策略：利用AI技术构建自动化的用户增长策略，快速迭代，确保策略的高效性和前瞻性，提升获取用户效率； 3. 竞争对手分析与策略调整：通过算法分析竞争对手的增长策略，开发应对的算法方案，以保持和提升产品在市场中的竞争优势； 4. 跨团队协作与技术推广：与数据、产品、运营等团队合作，推动算法技术在用户增长中的实际应用，确保有效落地。
团队介绍：TikTok是一个覆盖150个国家和地区的国际短视频平台，我们希望通过TikTok发现真实、有趣的瞬间，让生活更美好。TikTok 在全球各地设有办公室，全球总部位于洛杉矶和新加坡，办公地点还包括纽约、伦敦、都柏林、巴黎、柏林、迪拜、雅加达、首尔和东京等多个城市。 TikTok用户增长团队挖掘产品增长潜力，以技术驱动用户增长。团队不仅在产品中践行用户增长方法论、持续巩固增长能力，同时也在探索TikTok多模态的产品生态，撬动用户规模高速增长。 我们会极其地贴近业务，和产品、运营的同学们一起去探索用户增长方法论，持续巩固业务的增长能力。一起去通过业务中的数据表现进行洞察分析从而找到业务的机会点，围绕不同的增长业务模式，分析不同的业务需求，进行技术设计和实现。 也会从技术的视野去优化和升级我们的架构和系统，做纯技术层面的改造，用技术驱动业务的发展和改变。 1、激励增长方向 1）通过因果推断、强化学习、运筹规划等前沿技术，构建用户深度体验的增长模型，优化激励策略的精准性与效率，提升平台商业化价值； 2）设计并落地动态激励系统，平衡短期收益与长期用户价值，驱动用户活跃与留存的正向循环； 2、短视频推荐方向 1）主导TikTok Pro端融合激励信号与内容兴趣的混合推荐算法研发，解决业界少有的「激励产品×短视频APP」双形态协同难题； 2）构建专属Pro用户的内容理解与增长模型，结合激励行为、创作生态与内容消费数据，打造差异化推荐体验； 3）探索大模型、多目标优化、序列建模等技术在「激励 x 内容」联合建模中的创新应用，定义下一代增长范式。
乘客与交易增长团队隶属于网约车平台公司-MPT-交易策略，团队业务目前涵盖乘客流量分发、乘客交易负向体验优化、乘客LTV预测及留存&增长等，并负责乘客推荐、预期沟通、分单干预等需求支持，协助业务完成目标，高质量交付需求结果。旨在建设流量分发、乘客推荐、预期沟通、分单干预的技术框架和能力沉淀，通过策略&算法的优化，提升乘客打车体验，保留存促增长。 1、负责网约车各环节最中心的交易策略设计，研究包括乘客表单推荐、等应答推荐算法优化，提高交易效率及平台用户体验 ； 2、搭建对于ltv预测、用户增长方向的建模，诊断交易问题并为策略、运营、产研团队提供可靠的技术支撑及机会挖掘，支撑业务高速发展； 3、通过机器学习、深度学习等技术栈，结合业务需求进行建模，解决线上实际问题。
团队介绍：1、业务方向：自助业务希望建成中小商家的业务中台，电商广告、生服广告、Dou+等多条业务线，一站式解决商家问题，助力商家成长，提升商家数字化经营能力； 2、技术亮点：自助技术分为智能销售、客户增长、营销活动几个方向； 客户增长方向主要利用Uplift建模、因果推断、运筹优化算法、推荐算法等，通过对客户初期的行为习惯进行挖掘，探索更优的发券、选品、选素材等相关策略，提升拉新指标； 智能销售方向主要通过LLM-Agent的形式，利用sft、rl等算法优化广告领域的服务能力，提升对中小客户的教育、辅导、服务等能力，进而提升长期客户消耗； 营销活动方向主要服务商业化运营团队，辅助运营完成营销活动的创建与推广。 课题背景： 为了长期优化广告客户生态以及收入增长，商业化需要更大规模的做好客户拉新和客户在投放成长初期的留存，那么如何精准定位目标人群、如何更有效的利用激励手段促进客户增长、如何优化当前客户动作和投放手段，就是一个必须要长期优化的方向。 现在的增长方向主要靠传统机器学习的手段来决策激励的发放，但效果提升已经遇到瓶颈，需要探索基于RL的因果推断技术。另一方面，客户成长初期目前无法获得足够的服务与帮助，结合上广告投放本身有较高学习门槛，所以现在亟需依赖LLM技术，实现智能销售的愿景——包括智能客服、智能销售、智能投手三个阶段，最终达到全智能化的托管式服务。 课题挑战： 相比抖音C端流量数据，广告客户数据相对波动较大，观测周期长，有更多的不确定性； 大语言模型在广告领域的能力依然不足，具体表现在领域知识理解不足，大量专业工具（百量级）的使用效率不高，业务回复的可解释性不够强。为了达到人工销售的水平，需要探索RL、探索reward system、探索deep research的实现、探索业务向Benchmark的范式等等； 相比传统客服的问答式工作，还需要探索LLM在主动服务方向的开放命题。