岗位职责
- 探索生成式推荐范式在社交分享场景下的技术创新与落地，包括但不限于生成式排序模型设计、用户意图建模、个性化内容生成等，持续提升社交分享链路中的内容分发效率与用户连接价值；
- 研究并解决生成式推荐中的长尾稀疏问题，包括但不限于低频样本的模型偏差修正、泛化能力优化、稀疏场景下的表征学习等，提升推荐系统在海量长尾内容上的覆盖与质量；
- 探索大模型语义推理与少样本学习在冷启动场景中的应用，实现无历史交互用户及内容的零样本精准推荐，突破传统协同过滤在冷启动场景下的瓶颈；
- 研究推荐模型的压缩与加速技术，在保障实时性与生成质量的前提下，突破高昂推理成本与算力瓶颈，推动生成式推荐系统的大规模工程落地；
- 构建社交双边反馈建模机制，同时捕捉分享者与接收者的行为信号，设计兼顾长短期价值的优化目标，平衡生态健康与用户体验。
职位要求
- 硕士及以上学历，计算机、人工智能、统计学、数学等相关专业；
- 扎实的机器学习与深度学习基础，熟悉推荐系统核心技术（召回、排序、重排），了解生成式推荐相关前沿进展；
- 熟悉大语言模型基本原理及后训练技术（SFT、RLHF等），具备将LLM能力迁移至推荐场景的研究或工程经验；
- 较强的工程实现能力，熟悉主流深度学习框架（PyTorch等）及大规模分布式训练与推理优化方法。 加分项：
- 在推荐系统、社交网络分析、生成式模型等方向有顶级国际会议论文发表（如KDD、WWW、RecSys、NeurIPS、ICML等）；
- 有大规模推荐系统或生成式模型的工业落地经验，熟悉在线学习、实时推理等工程挑战；
- 对社交分享行为、内容传播机制有深入理解，具备双边市场或生态建模相关经验；
- 在ACM-ICPC/NOI/IOI编程竞赛或Kaggle等机器学习竞赛中获得奖项。
