PCG大数据平台部-面向用户意图理解的生成式推荐技术研究

课题背景： 当前推荐系统停留于统计关联（“喜欢A的用户也喜欢B”），缺乏对人类意图的深度理解和创造性满足能力。大型语言模型展现出的推理、反事实思考及遵循Scaling Law的性能增长规律，为实现“像人一样思考后再推荐”的范式革命提供了前所未有的技术基础 课题挑战：

1. 01

   思维链建模与可解释性难题：如何将用户深层意图、复杂场景约束转化为结构化、可追溯的思考链，同时保证推荐决策的可解释性与逻辑一致性，避免推理过程的黑盒化。

2. 02

   推荐专用 Scaling Law 构建：如何突破通用大模型的缩放规律，建立推荐任务特有的性能 - 数据 - 计算关系模型，实现资源高效配置与性能最优增长。

3. 03

   认知智能评估体系缺失：如何设计超越传统准确率、覆盖率的评估指标，量化推荐系统在 “理解深层动机”“创造需求” 等认知能力上的表现，建立科学的评价与迭代闭环。

4. 04

   业务场景落地的工程化瓶颈：如何在高并发、低延迟的信息流、视频、广告等场景中，高效部署 “思考 - 缩放 - 生成” 的全链路系统，平衡认知智能能力与实时性、稳定性的要求。

1. 01

   计算机、人工智能、统计学等相关专业硕士及以上学历，具备优秀的逻辑思维、系统抽象能力与沟通表达能力；

2. 02

   具备强烈的技术好奇心与自驱力，能主动追踪领域前沿，独立规划并推进研究课题；

3. 03

   扎实的机器学习/深度学习基础，深入理解Transformer架构、注意力机制、自回归生成等核心原理；

4. 04

   具备优秀的工程实现能力，熟练掌握PyTorch/TensorFlow等框架，有大规模模型训练或推荐系统落地经验。

优先条件

1. 01

   在生成式推荐、用户长序列建模、多场景/多任务学习等方向有研究或实践经验者优先；

2. 02

   具有自回归生成模型（如LLM、扩散模型）的研究、训练或调优经验者优先；

3. 03

   在KDD、WWW、RecSys、SIGIR、NeurIPS、ICLR等相关领域顶级会议以第一作者发表过论文者优先。