主分类：搜索推荐与业务决策算法研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "淘天算法技术-推荐召回排序算法-杭州/北京",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "淘天集团",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "算法研发"AI生成
},
"company": {
"company_name": "淘天集团",
"company_industry": "电子商务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "淘天集团的招聘业务覆盖淘宝、天猫等电商平台。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "我们是淘天集团淘宝用户算法团队，致力于通过外投广告算法、商品推荐算法、权益激励算法及消息触达策略的深度融合，驱动淘宝用户的高效增长与长期价值提升。团队聚焦用户全生命周期管理，以大规模机器学习、商品召回排序，序列建模、因果推断、运筹优化等为核心技术引擎，在获客效率、增量GMV和用户LTV等关键指标上持续突破。\n我们正在寻找在推荐系统召回与排序算法方面有深厚技术积累和实战经验的资深工程师，特别是面向外投广告、互动场景，低购人群以及消息推荐的应用方向，共同构建业界领先的推荐链路。\n核心职责：\n1. 召回算法研发与优化： 负责淘宝核心业务场景（包括外投广告、互动场景、低购人群、消息推荐等）的召回算法设计与优化。深入研究用户行为与商品/内容特性，构建和迭代高效的召回通道（如向量召回、生成式召回等），提升召回效果与业务收益。\n2. 排序模型迭代与精进： 负责上述场景的排序模型（粗排、精排、混排、重排）的研发与持续优化。构建并训练高精度、低延迟的CTR/CVR/GMV/LTR等预估模型，应用深度学习、多任务学习、多目标建模，序列建模等技术，提升排序效果与业务收益。\n3. 大模型探索与应用： 探索和研究大模型（LLM）前沿技术在推荐召回与排序环节的应用潜力。包括但不限于：利用大模型增强用户/商品理解与表征；探索生成式召回、基于世界知识和推理的召回等新范式；研究大模型在排序模型的特征工程、意图理解中的作用; Agentic推荐等。\n4. 链路效果评估与策略迭代： 负责召回与排序链路的效果评估与实验分析。运用A/B测试、因果推断等方法评估策略增量收益，持续推动算法迭代与策略创新，确保推荐链路的效率与效果。\n为什么选择我们？\n● 聚焦核心算法链路： 深度参与淘宝核心推荐场景的召回与排序环节，你的工作直接影响亿级用户的体验与核心业务指标。\n● 直面技术挑战： 处理海量数据与高并发请求，优化大规模分布式训练与推理效率，在工业级场景下实现算法突破。\n● 前沿技术实践： 在向量检索、序列建模、大模型应用等方向持续探索与落地。\n● 精英技术团队： 与顶尖的算法工程师共事，在浓厚的工程与算法氛围中快速成长。\n● 关键角色定位： 负责推荐系统最核心的召回与排序模块，技术贡献清晰可见。",
"requirements_text": "1. 熟悉常见的机器学习算法（LR、GBDT、DNN、Transformer等），掌握召回、排序、CTR/CVR预估等核心建模流程；\n2. 具备扎实的搜推广相关项目经验者优先，尤其欢迎在以下任一方向有深入实践者：\na. 召回排序\nb. 外投广告\nc. 低活低购用户的推荐冷启\nd. 大模型范式在推荐场景的应用\n3. 熟悉TensorFlow/PyTorch等主流框架，具备良好的工程实现能力，能独立完成从算法设计到线上部署的全流程；\n4. 对算法有强烈热情，具备优秀的逻辑思维、抽象建模能力和跨团队协作意识，能够在复杂业务中提炼技术问题并推动落地；\n5. 具备以下条件者优先考虑：\na. 在KDD、SIGIR、WWW、ICML、NeurIPS、RecSys等国际顶会发表过相关论文；\nb. 在ACM、数学建模、天池、Kaggle等竞赛中取得优异成绩；\nc. 有大规模在线广告、推荐系统、大型语言模型研究及应用的实战经验。",
"skills": [AI生成
"PyTorch",
"TensorFlow",
"机器学习",
"算法设计",
"团队协作",
"逻辑思维",
"建模",
"大语言模型"
],
"preferred_qualifications": "2. 具备扎实的搜推广相关项目经验者优先，尤其欢迎在以下任一方向有深入实践者：；5. 具备以下条件者优先考虑：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.taotian.com/off-campus/position-detail?positionId=100011720010"
}
]
},
"posting": {
"posting_id": "100011720010",
"post_date": "2026-08-25",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.taotian.com/off-campus/position-detail?positionId=100011720010"
},
"fulltext": "淘天算法技术-推荐召回排序算法-杭州/北京\n淘天算法技术-推荐召回排序算法-杭州/北京\n\n基础信息\n工作地点：北京 / 杭州\n\n职位描述\n我们是淘天集团淘宝用户算法团队，致力于通过外投广告算法、商品推荐算法、权益激励算法及消息触达策略的深度融合，驱动淘宝用户的高效增长与长期价值提升。团队聚焦用户全生命周期管理，以大规模机器学习、商品召回排序，序列建模、因果推断、运筹优化等为核心技术引擎，在获客效率、增量GMV和用户LTV等关键指标上持续突破。\n我们正在寻找在推荐系统召回与排序算法方面有深厚技术积累和实战经验的资深工程师，特别是面向外投广告、互动场景，低购人群以及消息推荐的应用方向，共同构建业界领先的推荐链路。\n核心职责：\n1. 召回算法研发与优化： 负责淘宝核心业务场景（包括外投广告、互动场景、低购人群、消息推荐等）的召回算法设计与优化。深入研究用户行为与商品/内容特性，构建和迭代高效的召回通道（如向量召回、生成式召回等），提升召回效果与业务收益。\n2. 排序模型迭代与精进： 负责上述场景的排序模型（粗排、精排、混排、重排）的研发与持续优化。构建并训练高精度、低延迟的CTR/CVR/GMV/LTR等预估模型，应用深度学习、多任务学习、多目标建模，序列建模等技术，提升排序效果与业务收益。\n3. 大模型探索与应用： 探索和研究大模型（LLM）前沿技术在推荐召回与排序环节的应用潜力。包括但不限于：利用大模型增强用户/商品理解与表征；探索生成式召回、基于世界知识和推理的召回等新范式；研究大模型在排序模型的特征工程、意图理解中的作用; Agentic推荐等。\n4. 链路效果评估与策略迭代： 负责召回与排序链路的效果评估与实验分析。运用A/B测试、因果推断等方法评估策略增量收益，持续推动算法迭代与策略创新，确保推荐链路的效率与效果。\n为什么选择我们？\n● 聚焦核心算法链路： 深度参与淘宝核心推荐场景的召回与排序环节，你的工作直接影响亿级用户的体验与核心业务指标。\n● 直面技术挑战： 处理海量数据与高并发请求，优化大规模分布式训练与推理效率，在工业级场景下实现算法突破。\n● 前沿技术实践： 在向量检索、序列建模、大模型应用等方向持续探索与落地。\n● 精英技术团队： 与顶尖的算法工程师共事，在浓厚的工程与算法氛围中快速成长。\n● 关键角色定位： 负责推荐系统最核心的召回与排序模块，技术贡献清晰可见。\n\n职位要求\n1. 熟悉常见的机器学习算法（LR、GBDT、DNN、Transformer等），掌握召回、排序、CTR/CVR预估等核心建模流程；\n2. 具备扎实的搜推广相关项目经验者优先，尤其欢迎在以下任一方向有深入实践者：\na. 召回排序\nb. 外投广告\nc. 低活低购用户的推荐冷启\nd. 大模型范式在推荐场景的应用\n3. 熟悉TensorFlow/PyTorch等主流框架，具备良好的工程实现能力，能独立完成从算法设计到线上部署的全流程；\n4. 对算法有强烈热情，具备优秀的逻辑思维、抽象建模能力和跨团队协作意识，能够在复杂业务中提炼技术问题并推动落地；\n5. 具备以下条件者优先考虑：\na. 在KDD、SIGIR、WWW、ICML、NeurIPS、RecSys等国际顶会发表过相关论文；\nb. 在ACM、数学建模、天池、Kaggle等竞赛中取得优异成绩；\nc. 有大规模在线广告、推荐系统、大型语言模型研究及应用的实战经验。\n我们是淘天集团淘宝用户算法团队，致力于通过外投广告算法、商品推荐算法、权益激励算法及消息触达策略的深度融合，驱动淘宝用户的高效增长与长期价值提升。团队聚焦用户全生命周期管理，以大规模机器学习、商品召回排序，序列建模、因果推断、运筹优化等为核心技术引擎，在获客效率、增量GMV和用户LTV等关键指标上持续突破。\n我们正在寻找在推荐系统召回与排序算法方面有深厚技术积累和实战经验的资深工程师，特别是面向外投广告、互动场景，低购人群以及消息推荐的应用方向，共同构建业界领先的推荐链路。\n核心职责：\n1. 召回算法研发与优化： 负责淘宝核心业务场景（包括外投广告、互动场景、低购人群、消息推荐等）的召回算法设计与优化。深入研究用户行为与商品/内容特性，构建和迭代高效的召回通道（如向量召回、生成式召回等），提升召回效果与业务收益。\n2. 排序模型迭代与精进： 负责上述场景的排序模型（粗排、精排、混排、重排）的研发与持续优化。构建并训练高精度、低延迟的CTR/CVR/GMV/LTR等预估模型，应用深度学习、多任务学习、多目标建模，序列建模等技术，提升排序效果与业务收益。\n3. 大模型探索与应用： 探索和研究大模型（LLM）前沿技术在推荐召回与排序环节的应用潜力。包括但不限于：利用大模型增强用户/商品理解与表征；探索生成式召回、基于世界知识和推理的召回等新范式；研究大模型在排序模型的特征工程、意图理解中的作用; Agentic推荐等。\n4. 链路效果评估与策略迭代： 负责召回与排序链路的效果评估与实验分析。运用A/B测试、因果推断等方法评估策略增量收益，持续推动算法迭代与策略创新，确保推荐链路的效率与效果。\n为什么选择我们？\n● 聚焦核心算法链路： 深度参与淘宝核心推荐场景的召回与排序环节，你的工作直接影响亿级用户的体验与核心业务指标。\n● 直面技术挑战： 处理海量数据与高并发请求，优化大规模分布式训练与推理效率，在工业级场景下实现算法突破。\n● 前沿技术实践： 在向量检索、序列建模、大模型应用等方向持续探索与落地。\n● 精英技术团队： 与顶尖的算法工程师共事，在浓厚的工程与算法氛围中快速成长。\n● 关键角色定位： 负责推荐系统最核心的召回与排序模块，技术贡献清晰可见。\n1. 熟悉常见的机器学习算法（LR、GBDT、DNN、Transformer等），掌握召回、排序、CTR/CVR预估等核心建模流程；\n2. 具备扎实的搜推广相关项目经验者优先，尤其欢迎在以下任一方向有深入实践者：\na. 召回排序\nb. 外投广告\nc. 低活低购用户的推荐冷启\nd. 大模型范式在推荐场景的应用\n3. 熟悉TensorFlow/PyTorch等主流框架，具备良好的工程实现能力，能独立完成从算法设计到线上部署的全流程；\n4. 对算法有强烈热情，具备优秀的逻辑思维、抽象建模能力和跨团队协作意识，能够在复杂业务中提炼技术问题并推动落地；\n5. 具备以下条件者优先考虑：\na. 在KDD、SIGIR、WWW、ICML、NeurIPS、RecSys等国际顶会发表过相关论文；\nb. 在ACM、数学建模、天池、Kaggle等竞赛中取得优异成绩；\nc. 有大规模在线广告、推荐系统、大型语言模型研究及应用的实战经验。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}