{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "阿里健康-图算法工程师-杭州/北京",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "阿里健康",
        "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": "阿里健康",
        "company_industry": "医药电商 / 数字医疗",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "阿里健康提供线上线下药事服务和数字化医疗服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 2,
        "degree": "计算机、人工智能、数学、数据科学等相关专业硕士及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1、负责千万级医学文献 Citation Graph（引用图）的构建、维护与优化，支撑大规模科学证据网络建设。\n2、负责医疗领域 Evidence Evolution（证据演化）、Evidence Chain（证据链）及 Evidence Network（证据网络）相关图算法研发，挖掘医学知识之间的关联关系与演化规律。\n3、探索并落地 GraphRAG、Knowledge Graph、Graph Neural Network（GNN）等前沿技术，结合大语言模型（LLM）提升科学证据检索、聚合与推荐能力。\n4、参与 Scientific Retrieval（科学检索）算法研发，结合 Citation、Semantic、Graph 等多种召回方式，提升医学文献搜索的准确性、完整性和可解释性。\n5、基于离线评测及线上实验数据持续分析 Badcase，优化图算法效果与系统性能，提升大规模图计算的稳定性和效率。",
        "requirements_text": "1、计算机、人工智能、数学、数据科学等相关专业硕士及以上学历，2 年以上图算法、知识图谱、搜索或 AI 相关工作经验。\n2、扎实的数据结构、算法及图论基础，熟练掌握 Python 或 C++，熟悉 PyTorch、TensorFlow 等至少一种深度学习框架。\n3、熟悉常见图算法，包括但不限于最短路径、PageRank、社区发现、图遍历、图索引等，具备大规模图计算经验。\n4、理解图神经网络（GCN、GraphSAGE、GAT 等）基本原理，熟悉 DGL、PyTorch Geometric 等图学习框架。\n5、具备良好的工程能力及科研能力，能够阅读国际顶会论文并完成算法复现与工程落地。\n加分项\n1、有 Citation Graph、Knowledge Graph、Scientific Retrieval、GraphRAG 等相关项目经验。\n2、有大语言模型（LLM）在 Scientific RAG、GraphRAG、Agent 等方向的实际落地经验。\n3、有亿级图数据计算、图索引优化或分布式图计算系统开发经验。\n4、在 KDD、WWW、SIGIR、AAAI、NeurIPS、ICLR 等国际会议发表相关论文或参与相关科研项目。",
        "skills": [AI生成
            "Python",
            "C++",
            "PyTorch",
            "TensorFlow",
            "深度学习",
            "数据结构",
            "知识图谱",
            "大语言模型",
            "检索增强生成"
        ],
        "preferred_qualifications": "加分项",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://careers.alihealth.cn/off-campus/position-detail?positionId=100027060002"
            }
        ]
    },
    "posting": {
        "posting_id": "100027060002",
        "post_date": "2026-09-15",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://careers.alihealth.cn/off-campus/position-detail?positionId=100027060002"
    },
    "fulltext": "阿里健康-图算法工程师-杭州/北京\n阿里健康-图算法工程师-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\n1、负责千万级医学文献 Citation Graph（引用图）的构建、维护与优化，支撑大规模科学证据网络建设。\n2、负责医疗领域 Evidence Evolution（证据演化）、Evidence Chain（证据链）及 Evidence Network（证据网络）相关图算法研发，挖掘医学知识之间的关联关系与演化规律。\n3、探索并落地 GraphRAG、Knowledge Graph、Graph Neural Network（GNN）等前沿技术，结合大语言模型（LLM）提升科学证据检索、聚合与推荐能力。\n4、参与 Scientific Retrieval（科学检索）算法研发，结合 Citation、Semantic、Graph 等多种召回方式，提升医学文献搜索的准确性、完整性和可解释性。\n5、基于离线评测及线上实验数据持续分析 Badcase，优化图算法效果与系统性能，提升大规模图计算的稳定性和效率。\n\n职位要求\n1、计算机、人工智能、数学、数据科学等相关专业硕士及以上学历，2 年以上图算法、知识图谱、搜索或 AI 相关工作经验。\n2、扎实的数据结构、算法及图论基础，熟练掌握 Python 或 C++，熟悉 PyTorch、TensorFlow 等至少一种深度学习框架。\n3、熟悉常见图算法，包括但不限于最短路径、PageRank、社区发现、图遍历、图索引等，具备大规模图计算经验。\n4、理解图神经网络（GCN、GraphSAGE、GAT 等）基本原理，熟悉 DGL、PyTorch Geometric 等图学习框架。\n5、具备良好的工程能力及科研能力，能够阅读国际顶会论文并完成算法复现与工程落地。\n加分项\n1、有 Citation Graph、Knowledge Graph、Scientific Retrieval、GraphRAG 等相关项目经验。\n2、有大语言模型（LLM）在 Scientific RAG、GraphRAG、Agent 等方向的实际落地经验。\n3、有亿级图数据计算、图索引优化或分布式图计算系统开发经验。\n4、在 KDD、WWW、SIGIR、AAAI、NeurIPS、ICLR 等国际会议发表相关论文或参与相关科研项目。\n1、负责千万级医学文献 Citation Graph（引用图）的构建、维护与优化，支撑大规模科学证据网络建设。\n2、负责医疗领域 Evidence Evolution（证据演化）、Evidence Chain（证据链）及 Evidence Network（证据网络）相关图算法研发，挖掘医学知识之间的关联关系与演化规律。\n3、探索并落地 GraphRAG、Knowledge Graph、Graph Neural Network（GNN）等前沿技术，结合大语言模型（LLM）提升科学证据检索、聚合与推荐能力。\n4、参与 Scientific Retrieval（科学检索）算法研发，结合 Citation、Semantic、Graph 等多种召回方式，提升医学文献搜索的准确性、完整性和可解释性。\n5、基于离线评测及线上实验数据持续分析 Badcase，优化图算法效果与系统性能，提升大规模图计算的稳定性和效率。\n1、计算机、人工智能、数学、数据科学等相关专业硕士及以上学历，2 年以上图算法、知识图谱、搜索或 AI 相关工作经验。\n2、扎实的数据结构、算法及图论基础，熟练掌握 Python 或 C++，熟悉 PyTorch、TensorFlow 等至少一种深度学习框架。\n3、熟悉常见图算法，包括但不限于最短路径、PageRank、社区发现、图遍历、图索引等，具备大规模图计算经验。\n4、理解图神经网络（GCN、GraphSAGE、GAT 等）基本原理，熟悉 DGL、PyTorch Geometric 等图学习框架。\n5、具备良好的工程能力及科研能力，能够阅读国际顶会论文并完成算法复现与工程落地。\n加分项\n1、有 Citation Graph、Knowledge Graph、Scientific Retrieval、GraphRAG 等相关项目经验。\n2、有大语言模型（LLM）在 Scientific RAG、GraphRAG、Agent 等方向的实际落地经验。\n3、有亿级图数据计算、图索引优化或分布式图计算系统开发经验。\n4、在 KDD、WWW、SIGIR、AAAI、NeurIPS、ICLR 等国际会议发表相关论文或参与相关科研项目。",
    "standard_classification": {
        "std_category_code": "T011",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}