基于大语言模型的搜广推特征自动挖掘与增强研究

课题背景： 特征工程是搜广推业务核心，直接决定模型效果与用户体验。当前其高度依赖人工经验，核心痛点为：挖掘效率低、增强手段单一、跨场景特征复用难。 LLMs与Agent技术为解决上述痛点提供新路径，可高效解析数据、实现特征工程闭环。目前业内探索仍存在模型适配不足、场景融合不深等问题，因此本课题聚焦LLMs驱动的搜广推特征自动挖掘与增强，实现特征高效挖掘、衍生融合及跨场景迁移，降低成本、提升模型效果。 课题挑战：

1. 01

   场景适配与挖掘效率平衡：优化LLMs与搜广推场景的适配策略，设计高效挖掘方案，在精准挖掘高价值特征的同时，控制成本、避免维度爆炸，适配海量业务数据高效处理需求。

2. 02

   特征增强可控性与评估体系构建：利用LLMs实现针对性特征衍生、融合与修复，确保特征可解释、可复用；构建贴合业务的自动化评估体系，量化特征有效性、效率与稳定性。

3. 03

   工程体系融合落地：将LLMs驱动的特征模块与现有搜广推工程平台、训练流程无缝融合，解决数据兼容、实时性、资源控制等工程化问题，保障成果可落地复用。 具体工作： 你将结合前沿LLMs与Agent技术，参与搜广推特征工程技术探索落地，重点工作：优化LLMs场景适配与prompt策略；研发特征自动挖掘算法；设计特征自动增强模块；构建特征评估体系；协助完成方案与现有工程体系融合及落地测试，提升特征工程效率与模型效果，支撑业务增长。

1. 01

   包含但不限于计算机、模式识别、人工智能、自动化、软件工程、电子工程、统计学等专业的博士和优秀硕士；

2. 02

   熟悉机器学习、深度学习、大语言模型的核心算法原理，熟练掌握PyTorch、TensorFlow等至少一个深度学习框架；

3. 03

   较强的工程实现能力，熟练掌握Python/Java/Shell至少一门编程语言，有搜广推算法和特征相关研究和实践经验优先；