智能互联淘天算法技术-生成式推荐/大模型应用算法专家-杭州*

1. 负责设计和落地Session实时意图感知的AI导购方案，包括但不限于用户多模态异构行为序列的意图分析能力、推理能力、大模型在线推理加速能力，实现不同需求状态下的最优决策学习，提升大模型推词体验和效率。 2. 深入理解电商用户需求，负责通过定义分类目决策属性、构建多模态商品理解知识库、建设个性化AI对比总结能力等方式，提升用户在实际购物过程中多商品对比挑选决策效率，打造标品和非标品下的购物指南体验。 3. 持续跟进LLM/MLLM方向的前沿进展，将各方向的SOTA能力集成到模型底座上，提升下游任务效果，打造团队的技术先进性。

职位描述 面向淘天自营业务场景，探索大模型与推荐算法结合的下一代推荐系统技术，充分利用大模型的领域知识和学习范式为推荐系统注入新动力，包括但不限于生成式推荐、模型Scaling Law、用户超长序列建模等，解锁更大的算法提升空间； 1.负责大语言模型、多模态大模型的训练，探索预训练表征的高效处理方式以及与推荐系统的结合方式，让推荐系统充分理解世界知识； 2.基于类Transformer架构的设计和升级推荐大模型，验证推荐的Scaling Law，探索兼顾性能和效果的模型技术，持续提升业务场景效果； 3.结合业务目标和场景特点，探索并利用大语言模型技术对现有推荐系统的各环节进行优化改进，探索并开发生成式推荐系统技术，提升用户体验，实验业务价值； 4.持续关注行业内人工智能技术的发展趋势，结合业界前言技术和业务需求，和工程同学一起探索&打造大模型应用的最佳实践，提升业务效果和用户体验；

1. 负责推荐系统全链路（召回、排序、重排等模块）的设计与优化，提升电商、内容等场景下的用户个性化体验和核心业务指标（如点击率、留存率、GMV等）。 2. 推动多模态技术和大模型在推荐场景的算法创新，探索AIGC、生成式推荐等前沿方向的技术落地与效果提升。 3. 主导大规模分布式算法模型的训练与部署，优化模型效率及在线服务性能，支持高并发业务需求，确保系统稳定性和性能达标。 4. 参与技术预研及业务策略的A/B测试设计与分析，通过数据驱动的方法优化算法效果和业务指标。 5. 与产品、工程、业务团队紧密协作，推动技术方案落地并持续迭代优化，确保技术成果转化为业务价值。 关键能力： 1. 精通推荐系统全链路技术，包括召回、排序、重排等模块，具备优化CTR、GMV、用户留存等核心指标的能力。 2. 熟练掌握多模态技术和大模型（如Transformer、序列建模等），具备将这些技术应用于推荐、搜索、广告等场景的经验。 3. 具备大规模分布式算法模型的训练与部署能力，熟悉模型压缩、联邦学习等技术，能够优化模型效率及在线服务性能。 4. 具备扎实的数据分析和A/B测试能力，能够通过数据驱动的方法优化算法效果和业务指标。 5. 具备出色的跨团队协作与沟通能力，能够与产品、工程、业务团队高效协作，推动技术方案落地。

我们是淘天集团淘宝用户算法团队，致力于通过外投广告算法、商品推荐算法、权益激励算法及消息触达策略的深度融合，驱动淘宝用户的高效增长与长期价值提升。团队聚焦用户全生命周期管理，以大规模机器学习、序列建模、因果推断、运筹优化等为核心技术引擎，在获客效率、增量GMV和用户LTV等关键指标上持续突破。 我们正在寻找在搜推广建模、增量效果预估、因果推断与决策优化等方面有深厚积累的同学，共同打造业界领先的用户增长算法体系。 核心职责: 1. 用户理解: 基于手淘全面丰富的用户数据，构建手淘最细粒度的用户画像体系，探索大模型范式下的用户表征和兴趣建模，训练高精度CTR/CVR/GMV/LTV/LT等预估模型，让“未来价值”可预测、可运营。 2. 用户承接: 负责手淘核心增量人群（包括低活低购，闪购等）的推荐算法工作，通过全链路的推荐核心算法&策略优化（召回，粗排，精排，混排等）极致提升目标人群的个性化推荐效率；探索生成式推荐等创新范式在工业级大流量场景下的落地实践。 3. 智能推送：基于用户行为数据，构建高效的个性化推送与推荐模型，持续优化用户消息素材召回，排序，触达时机&频控以及消息智能文案的生成，提升消息触达用户的效率。 为什么选择我们？ ● 技术驱动增长：我们用最前沿的AI技术解决真实的亿级用户增长问题，每一次模型迭代都直接影响数千万用户的体验与平台核心指标； ● 丰富的数据与场景：覆盖搜索、推荐、广告、消息、权益等多个高维交互场景，提供极具挑战性的建模空间； ● 顶尖的算法氛围：团队汇聚来自国内外一流高校和企业的算法精英，持续输出高水平技术成果； ● 广阔的发展空间：参与从0到1的创新项目，主导关键技术方向，快速成长为领域专家或技术负责人。 如果你热衷于用算法改变用户体验，擅长从海量数据中挖掘增长机会，尤其是具备搜推广模型优化、因果建模、用户增量建模等方面的实战经验，欢迎加入我们，一起定义下一代用户增长范式！