岗位职责
- 参与电商搜索相关性评测研究，分析 Query、商品、用户意图及点击、成交、退货等行为数据，定位现有人工相关性标准与真实用户体验之间的偏差。
- 研究搜索相关性与业务指标之间的关联及因果关系，包括但不限于：
- 1 构建相关性体验指标与点击率、转化率、退货率、留存等指标的关联模型；
- 2 识别曝光位置、商品热度、价格、用户分群等混杂因素；
- 3 探索因果效应估计、异质性分析及反事实评估方法；
- 4 建立可解释、可验证的“体验—行为—收益”量化框架。
- 研究大模型驱动的相关性标准生成与迭代方法，包括：
- 1 从高噪声、稀疏的用户行为序列中识别搜索意图与偏好；
- 2 利用 LLM 总结不同需求类型下“相关/不相关”的判定依据；
- 3 将用户行为、人工标注和业务规则转化为结构化 Rubrics；
- 4 探索 SFT、偏好学习、Reward Modeling 等方法，训练融合先后验信号的相关性奖励模型。
- 设计面向相关性标准自动迭代的智能体系统，使 Agent 能够完成数据分析、问题发现、样本归因、标准生成、冲突检测、评测验证等任务，并研究 Agent 的可靠性、可解释性和评估方法。
- 参与搜索算法与评测基础设施建设，包括样本构造、离线评测、在线实验分析、模型训练及效果诊断，推动研究成果在真实业务场景中验证。
- 跟踪信息检索、因果推断、LLM Evaluation、Reward Model 和 Agent 等方向的前沿工作，沉淀技术报告、专利或高水平论文。
职位要求
- 计算机、人工智能、统计学、数学或相关专业硕士、博士在读，具备良好的机器学习与统计学习基础。
- 熟悉信息检索或搜索推荐的基本技术体系，理解以下部分内容：
- 1 倒排索引、召回、排序和 Learning to Rank；
- 2 BM
- Embedding、Dense Retrieval、Cross-Encoder；
- 3 搜索相关性建模及 Precision、Recall、NDCG、MRR 等评测指标；
- 4 Transformer、预训练语言模型及常见深度学习方法。
- 熟悉 Python，能够使用 PyTorch 等框架独立完成数据处理、模型训练和实验分析；具备良好的工程实现与问题排查能力。
- 对以下方向至少一项有较深入的研究或项目经验，并愿意开展交叉研究：
- 1 因果推断：因果图、倾向得分、IPW、双重稳健估计、因果森林、Uplift Modeling、异质性处理效应或反事实学习；
- 2 大模型：Prompt、SFT、偏好优化、Reward Model、RAG、LLM-as-a-Judge 或模型评测；
- 3 智能体：任务规划、工具调用、工作流编排、记忆与反思机制、Agent Evaluation。
- 具备良好的研究能力，能够完成论文调研、问题抽象、实验设计、结果分析及技术写作。
- 对真实业务问题有兴趣，能够从复杂数据中提出假设，并通过离线实验、因果分析或在线实验进行验证。
