部门介绍

【】快手商业化算法部流量策略中心负责广告系统中流量分发与优化的核心任务，通过构建高效的智能决策体系和反馈机制，深度融合大模型和强化学习等前沿技术，不断推进多目标的优化平衡，提升平台整体收益与用户体验，为商业化业务的持续增长赋能。

从事广告场景下的前沿Agent算法研究，聚焦用户兴趣理解、创意生成、策略自进化等方向，将LLM（大语言模型）Agent能力与广告系统深度融合，推动业界领先水平；
研究广告全链路的dense reward分解机制，解决奖励信号稀疏及转化反馈延迟的问题，确保策略优化与北极星指标对齐；
在广告主ROI、平台收益与用户体验的多目标约束环境中，设计兼顾多方目标的策略学习与决策框架，提升系统效率与稳定性；
探索竞价环境中部分可观测环境的建模方法，优化多智能体博弈场景下的策略鲁棒性，提升Market动态变化下的泛化效果；
针对冷启动广告场景，构建基于LLM的零样本/少样本策略迁移与快速适配机制，提升长尾流量覆盖能力；
优化LLM Agent在广告系统中的实时推理性能，研究离线策略蒸馏、在线异步解耦、轻量化推理等技术路径，平衡决策复杂度与系统毫秒级时延要求。

岗位职责

招聘官网暂未提供完整岗位职责，请前往官网核实。

面向海内外顶级学校应届毕业生（硕士及以上学历，博士优先）计算机、数学、统计、电子信息等相关专业；
具备扎实的机器学习、深度学习及自然语言处理（NLP）理论基础。深入理解 Transformer 架构，熟悉主流大模型（如 LLaMA、Qwen、GPT 等）的底层原理；
对 LLM for Search / Recommendation 有深入关注。熟悉生成式检索（Generative Retrieval）、大一统范式（如 OneRec、P5 等），或在多任务学习（Multi-task Learning）、RAG（检索增强生成）、多轮对话系统领域有深入研究者优先；
具备优秀的编程基础与算法实现能力，精通 Python/C++，熟练掌握 PyTorch 等深度学习框架；
在数据挖掘、信息检索或 NLP 领域的顶级学术会议（SIGIR、KDD、WWW、ACL、EMNLP、NeurIPS等）上发表过第一作者论文，或在知名开源项目中贡献过核心代码者优先；
具有优异的沟通能力与业务理解能力，善于跨团队协作推进关键项目，优先考虑具备广告、推荐系统或搜索引擎策略优化实战经验的候选人。