生成式推荐算法｜博士专项

团队介绍 我们在做“下一代金融智能分发与生成式交互引擎”，面向同花顺海量亿级用户，打造基于深度学习与大模型双轮驱动的底层 AI 体系。我们的业务覆盖个性化信息流（图文资讯与社区内容分发）、高价值场景智能主动触达（关键节点动态推荐），以及基于金融垂类大模型的前沿交互场景（如生成式“猜你想问”、意图启发等）。 团队强调“真实业务价值的增长与技术演进的务实结合”。我们的技术路线从基于深度学习的传统召排链路打底，逐步向大模型赋能的单点应用（如语义ID增强召回）、AIGC 专属内容生成演进，并积极探索端到端的生成式推荐。目标是以CTR/CVR/留存为准绳，构建国内领先的“分发+生成”一体化金融 AI 系统。 岗位方向：全场景智能分发 × 生成式推荐大模型 聚焦 信息流 / 动态触达 / Proactive AI。将推荐系统的海量吞吐能力与大模型的深层推理、生成能力深度融合：从传统分发链路的持续调优与智能疲劳度控制，到利用大模型进行行为序列理解与语义 ID 抽取；从“被动推流”走向“主动启发”，基于高维用户意图生成千人千面的交互内容（AIGC）；最终探索并定义下一代端到端生成式推荐的落地范式。 工作内容

1. 01

   夯实全场景分发基石（传统召排）： 负责个性化信息流、智能主动触达等核心业务的推荐算法研发。深入优化多路召回（协同过滤、向量检索等）与精排模型（多目标 CTR/CVR 预估），构建全局最优的智能疲劳度控制与生态调控策略；

2. 02

   大模型单点赋能与特征跃迁： 基于用户超长历史行为序列，利用大模型深入挖掘用户画像。探索 LLM 在推荐单层级链路中的应用，例如构建与抽取语义 ID 进行深度召回，打破传统协同过滤的信息茧房；

3. 03

   构建 Proactive AI 与 AIGC 推荐（内容生成）： 实现从“推荐已有内容”到“生成专属内容”的跨越。利用大模型推测用户深层意图，生成启发式的交互内容（如千人千面的大模型“猜你想问”）。负责相关大模型的 Prompt Engineering 及后训练（SFT、RLHF/DPO），确保生成质量与业务转化指标的显著提升；

4. 04

   探索端到端生成式推荐： 以前瞻性视角推动推荐架构的代际演进，探索脱离传统“召回-粗排-精排”漏斗、直接从用户序列到推荐结果的端到端生成式推荐大模型落地路径；

5. 05

   规模化工程落地与评测闭环： 与产品、工程团队紧密协作，在数据配比、模型结构与推理加速（vLLM等）上探索最佳实践。建立严谨的 A/B 测试闭环，保障大模型与复杂推荐策略在超高并发、低延迟的生产环境中稳定交付。

职位要求 1、2027届获得硕士及以上学历，计算机、软件工程、人工智能、数学等相关专业优先；

2. 02

   具备优秀的问题分析与解决能力，能系统性思考从数据处理、模型训练到在线高并发推理的全局链路问题；

3. 03

   扎实的推荐算法与深度学习基础，熟练掌握主流召回与排序/多目标模型（DeepFM, DIN, SIM, MMOE等），有实际的转化率预估与策略优化经验；

4. 04

   熟悉大语言模型（LLM）的基本原理，对长文本理解、行为序列建模有深刻认知；能熟练运用大模型进行数据蒸馏、画像挖掘或意图识别；

5. 05

   具备大模型后训练/微调与推理落地经验者优先：包括高质量微调数据飞轮构建、指令微调（SFT）、偏好优化，以及主流在线推理加速框架实践； 加分项

6. 01

   有 大模型赋能推荐系统 相关研究或落地经验者优先（包含但不限于：基于 LLM 的特征生成、语义 ID 召回、P5/TIGER 等生成式推荐前沿工作）；

7. 02

   具备金融领域知识，或在亿级 DAU 产品的信息流分发、内容社区推荐、大规模复杂触达策略等场景有核心算法实习/项目经验者优先；

8. 03

   在 KDD、SIGIR、RecSys、WWW、ACL、NeurIPS 等顶级会议/期刊以第一作者发表过高影响力成果者优先；

9. 04

   在 Kaggle、阿里天池、ACM/ICPC 等数据挖掘、推荐算法竞赛中获得优异名次者优先；

10. 05

    深度参与过具有广泛影响力的 AI/推荐系统/大模型开源项目，具备可复用的生产级工程产出经验者优先。