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": "算法工程师-外投广告机器学习方向（T-Star Lab日常实习）",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "淘天集团",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "技术类"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": "硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "岗位课题包括以下两个研究方向：\n1. 利用大模型的序列描述能力和外投广告的全域数据，建模消费者全域行为兴趣模型，发掘消费者兴趣；\n2. 广告召回、粗排、精排多阶段联合建模，保障计算效率的同时，提升模型打分准确度。\n课题背景：\n大模型技术在搜推广领域已经有很多的工作产出，包括基于大模型的召回方法（Tiger、Universal retriever等）和排序模型（HSTU等），然而，他们都面向整个商品推荐漏斗的不同阶段（召回、精排或机制），这样一方面整个推荐链路仍然存在不同阶段不一致，同时分阶段使用不同的模型也存在算力浪费的问题。本项目期望推动大模型打分在外投全域广告投放中的应用，将各个打分阶段联合建模，提升模型精度的同时保证模型计算效率。\n岗位职责：\n你将负责阿里妈妈外投效果广告投放算法工作，包括但不限于：\n1. 负责大模型在客户交互和投放算法上的应用方案设计；\n2. 负责根据外投效果广告业务场景，对大模型进行改造和性能优化；\n3. 负责深度模型架构升级，提升在线广告投放模型性能和效果；\n4. 负责深度学习模型在用户表征学习、召回模型、精排打分模型的应用；",
"requirements_text": "1. 硕士及以上学历，2026年11月1日以后毕业，计算机、数学或统计学等相关专业，能连续实习3个月及以上；\n2. 有机器学习、运筹优化、大模型和博弈论相关领域研究和实践经验，在以上领域的知名国际会议(例如SIGIR、SIGKDD、ICML、NIPS、WSDM、WWW、AAAI、CIKM、ACL、RECSYS)或者期刊上发表过论文者更佳；\n3. 参加过ACM或数据挖掘&机器学习类竞赛(天池大奖赛、Kaggle)并取得好名次者更佳；\n4. 参与过机器学习开源项目并有突出贡献者更佳；",
"skills": [AI生成
"机器学习",
"数据挖掘",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199903920030?deptCodes="
}
]
},
"posting": {
"posting_id": "199903920030",
"post_date": "2026-03-26",
"hire_time": "1. 硕士及以上学历，2026年11月1日以后毕业，计算机、数学或统计学等相关专业，能连续实习3个月及以上",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199903920030?deptCodes="
},
"fulltext": "算法工程师-外投广告机器学习方向（T-Star Lab日常实习）\n算法工程师-外投广告机器学习方向（T-Star Lab日常实习）\n\n基础信息\n毕业起止时间要求：2026-10-31 - 2028-10-30\n职位类别：技术类\n招聘项目：阿里巴巴日常实习生\n工作地点：北京\n\n职位描述\n岗位课题包括以下两个研究方向：\n1. 利用大模型的序列描述能力和外投广告的全域数据，建模消费者全域行为兴趣模型，发掘消费者兴趣；\n2. 广告召回、粗排、精排多阶段联合建模，保障计算效率的同时，提升模型打分准确度。\n课题背景：\n大模型技术在搜推广领域已经有很多的工作产出，包括基于大模型的召回方法（Tiger、Universal retriever等）和排序模型（HSTU等），然而，他们都面向整个商品推荐漏斗的不同阶段（召回、精排或机制），这样一方面整个推荐链路仍然存在不同阶段不一致，同时分阶段使用不同的模型也存在算力浪费的问题。本项目期望推动大模型打分在外投全域广告投放中的应用，将各个打分阶段联合建模，提升模型精度的同时保证模型计算效率。\n岗位职责：\n你将负责阿里妈妈外投效果广告投放算法工作，包括但不限于：\n1. 负责大模型在客户交互和投放算法上的应用方案设计；\n2. 负责根据外投效果广告业务场景，对大模型进行改造和性能优化；\n3. 负责深度模型架构升级，提升在线广告投放模型性能和效果；\n4. 负责深度学习模型在用户表征学习、召回模型、精排打分模型的应用；\n\n职位要求\n1. 硕士及以上学历，2026年11月1日以后毕业，计算机、数学或统计学等相关专业，能连续实习3个月及以上；\n2. 有机器学习、运筹优化、大模型和博弈论相关领域研究和实践经验，在以上领域的知名国际会议(例如SIGIR、SIGKDD、ICML、NIPS、WSDM、WWW、AAAI、CIKM、ACL、RECSYS)或者期刊上发表过论文者更佳；\n3. 参加过ACM或数据挖掘&机器学习类竞赛(天池大奖赛、Kaggle)并取得好名次者更佳；\n4. 参与过机器学习开源项目并有突出贡献者更佳；\n\n在招业务\n淘天集团\n岗位课题包括以下两个研究方向：\n1. 利用大模型的序列描述能力和外投广告的全域数据，建模消费者全域行为兴趣模型，发掘消费者兴趣；\n2. 广告召回、粗排、精排多阶段联合建模，保障计算效率的同时，提升模型打分准确度。\n课题背景：\n大模型技术在搜推广领域已经有很多的工作产出，包括基于大模型的召回方法（Tiger、Universal retriever等）和排序模型（HSTU等），然而，他们都面向整个商品推荐漏斗的不同阶段（召回、精排或机制），这样一方面整个推荐链路仍然存在不同阶段不一致，同时分阶段使用不同的模型也存在算力浪费的问题。本项目期望推动大模型打分在外投全域广告投放中的应用，将各个打分阶段联合建模，提升模型精度的同时保证模型计算效率。\n岗位职责：\n你将负责阿里妈妈外投效果广告投放算法工作，包括但不限于：\n1. 负责大模型在客户交互和投放算法上的应用方案设计；\n2. 负责根据外投效果广告业务场景，对大模型进行改造和性能优化；\n3. 负责深度模型架构升级，提升在线广告投放模型性能和效果；\n4. 负责深度学习模型在用户表征学习、召回模型、精排打分模型的应用；\n1. 硕士及以上学历，2026年11月1日以后毕业，计算机、数学或统计学等相关专业，能连续实习3个月及以上；\n2. 有机器学习、运筹优化、大模型和博弈论相关领域研究和实践经验，在以上领域的知名国际会议(例如SIGIR、SIGKDD、ICML、NIPS、WSDM、WWW、AAAI、CIKM、ACL、RECSYS)或者期刊上发表过论文者更佳；\n3. 参加过ACM或数据挖掘&机器学习类竞赛(天池大奖赛、Kaggle)并取得好名次者更佳；\n4. 参与过机器学习开源项目并有突出贡献者更佳；",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}