研究型实习生-推荐大模型统一架构研究

岗位职责

研究领域： 推荐系统 项目简介： 当前推荐系统大多采用序列建模与特征交叉分离模块分离的架构，缺乏统一的注意力机制实现跨类型特征的充分交叉融合，异构特征的协同信号未被充分挖掘。此外，召回、粗排、精排各阶段均独立训练各自的行为序列编码器，同一用户行为序列在一次请求中被重复编码三次，算力浪费显著且各阶段表征无法共享和互相增强。近年来，OneTrans、OneTrans-V 2. RankMixer、HyFormer、CCFormer 等前沿方案在特征交叉与序列统一建模方向取得突破。基于上述技术趋势和团队在生成式召回方向的积累，本项目计划在支付宝推荐场景探索特征交叉与序列统一建模方案，提升推荐模型的精准度，实现架构升级与业务收益。

任职要求

研究领域：

• 目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位
• 具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go
• 具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用：
• 对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色
• 在国际会议上或核心期刊发表一份或多份出版物或论文
• 至少3个月的全职工作

特色标签

Attention机制、C/C++、Golang、Java、OneTrans方法、OneTrans架构、Python、个性化推荐、交叉特征建模、候选集筛选、初排、发表算法相关优秀论文、召回模型、召回阶段、多模态特征、大模型算法、序列模型、序列编码、异质特征、排序模型、推荐、推荐引擎、推荐算法、支付、数据挖掘、时序建模、最终排序、注意力模型、深度学习、混合特征、特征交互、特征融合、生成式候选生成、生成式检索、粗排序、精排序、自注意力机制、金融、预排序