微信 公众号-生成式推荐与推荐排序Scaling Up

课题背景： 微信贴图号是面向数亿用户的UGC内容社区，推荐系统承担从百万级内容库中精准匹配用户兴趣的核心任务。大语言模型已验证Scaling Law的巨大潜力，但推荐系统领域尚未建立类似的规模化增长范式。随着生成式推荐的兴起，业界正从"召回→粗排→精排"的级联范式走向召排一体化的端到端建模，统一架构为推荐模型的Scaling Up提供了新的可能性。 课题挑战：

1. 01

   推荐模型的Scaling Behavior尚不清晰：不同于LLM已有明确的Scaling Law（参数量、数据量、计算量与loss的幂律关系），推荐模型在参数规模扩大后的效果增益规律尚未被系统性研究；模型容量增加是否带来持续的推荐质量提升、何时出现收益递减、不同scale维度（参数量 vs 数据量 vs 训练时长）的最优配比关系，均缺乏理论和实验指导。

2. 02

   统一架构下多维度Scale路径的设计：在召排一体化的生成式推荐架构中，embedding table规模、expert数量、用户行为序列长度、codebook容量等多个维度均可独立扩展，但各维度的scale效率差异显著，且可能存在瓶颈维度和相互制约关系；如何找到compute-optimal的scale路径，避免低效的参数堆砌，是工程落地的关键挑战。

3. 03

   多目标reward的可扩展设计：当优化目标从单一CTR扩展到互动率、创作者满意度、内容多样性等多维指标时，静态权重组合无法适应目标间的动态博弈；需要探索基于强化学习的可学习reward框架，使多目标权衡机制能够随目标维度的增长而自适应演进。

计算机科学、人工智能、信息检索、统计学等相关专业博士或顶尖院校硕士优先； 在推荐系统、信息检索、生成模型、大语言模型、深度学习等方向有扎实的研究基础，有顶会论文发表者优先； 熟练掌握Python/C++，具备大规模分布式系统开发经验者优先； 具备良好的沟通协作能力和自驱力，能够在复杂业务场景中独立定义问题并推进落地。