岗位职责

参与小米广告核心场景的算法研发，包括生成式召回、向量召回、CTR预估、多任务排序与大规模推荐算法的设计与迭代，支撑亿级用户规模下的广告推荐与排序系统。
参与广告全链路算法模型优化，涵盖召回、预估、排序与分配环节，在实际业务中学习并实践冷启动、流量探索等问题的算法解决方案。
参与多任务学习、序列建模、因果推断等方法在广告排序与推荐场景的落地应用，优化多任务排序与用户兴趣建模效果。
基于海量用户行为与广告行为数据，参与用户长短期兴趣建模、多模态特征融合、自监督/对比学习、图神经网络等方向的特征表示与模型优化，从数据中识别现有系统的不足，提出并验证算法改进方案。
参与LLM4Rec、生成式推荐、多模态大模型在广告创意生成、个性化素材优化方向的探索性应用，结合小米广告业务场景进行技术验证与落地尝试。
追踪业界前沿算法技术，包括生成式推荐、大语言模型推荐、强化学习、在线学习与持续学习等，在团队指导下完成技术调研与原型实验，结合业务特点推动前沿方法的工程化验证。

职位要求

本科及以上学历，计算机、数学、统计学、人工智能等相关专业。
熟悉深度学习与推荐系统基础，了解多任务学习（MMoE/PLE）、序列建模（DIN/DIEN/SIM/Transformer4Rec）、生成式推荐/LLM4Rec等前沿方向的基本原理。
了解特征表示学习与自动特征交互方法，包括Embedding、序列特征建模、图神经网络、多模态特征融合、对比学习/自监督学习等在广告推荐中的应用。
熟练掌握Python，了解Scala/C++/Java中至少一门编程语言；熟悉PyTorch或TensorFlow，了解DeepSpeed/Megatron/FairScale等分布式训练工具或JAX生态者优先。
了解Spark/Flink/Hive等大数据工具的基本使用，或了解Faiss/Milvus等向量检索、在线推理与MLOps基本流程。
在广告、推荐、搜索等相关领域有课程项目、竞赛经历或实习经验者优先；在KDD、NeurIPS、ICML、WWW、SIGIR、RecSys等会议有论文发表或投稿经历者优先；有LLM4Rec、多模态生成、强化学习、因果推断等经验者优先。
对广告算法与商业化技术有强烈兴趣，具备快速学习能力和主动探索精神，能够在团队协作中清晰表达技术思路、推动方案落地。