微信视频号-推荐模型 Scaling Up /端到端推荐系统研究

课题背景： 短视频推荐仍普遍采用召回、粗排、精排、重排等多阶段链路，模型容量、候选规模和上下文长度均受到限制，容易产生信息损失和目标不一致。本课题希望通过更大模型、更长用户序列、及更大候选空间建模，释放模型能力，探索可落地的端到端推荐系统。 课题挑战： 一是超长序列建模，需要从序列长度和结构两方面进行 Scaling，支持十万级行为历史与长期兴趣演化，同时满足线上时延与资源约束。二是扩大单模型打分规模，逐步融合召回、粗排、精排和重排等漏斗。三是面向万级乃至全候选集合，研究高效序列生成，和强化学习训练方法。 链路层面： 参与超长序列建模、大规模候选打分、推荐漏斗融合或生成式推荐方向的模型设计、训练优化、系统实现与线上实验。

学历和专业要求： 计算机、人工智能、数学等相关专业的博士或硕士同学。 技术技能要求： 掌握深度学习、推荐系统、强化学习、大模型相关算法，有大规模训练经验者优先。 软性素质要求： 具备较强的学习、分析与工程实践能力，沟通协作良好，对推荐系统和前沿研究有热情。