{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "研究型实习生-智能算法产品事业部-搜索算法工程师",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "淘天集团",
        "location": "北京 / 杭州",
        "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": "计算机、人工智能、统计学、数学或相关专业硕士、博士在读",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1. 参与电商搜索相关性评测研究，分析 Query、商品、用户意图及点击、成交、退货等行为数据，定位现有人工相关性标准与真实用户体验之间的偏差。\n2. 研究搜索相关性与业务指标之间的关联及因果关系，包括但不限于：\n2.1 构建相关性体验指标与点击率、转化率、退货率、留存等指标的关联模型；\n2.2 识别曝光位置、商品热度、价格、用户分群等混杂因素；\n2.3 探索因果效应估计、异质性分析及反事实评估方法；\n2.4 建立可解释、可验证的“体验—行为—收益”量化框架。\n3. 研究大模型驱动的相关性标准生成与迭代方法，包括：\n3.1 从高噪声、稀疏的用户行为序列中识别搜索意图与偏好；\n3.2 利用 LLM 总结不同需求类型下“相关/不相关”的判定依据；\n3.3 将用户行为、人工标注和业务规则转化为结构化 Rubrics；\n3.4 探索 SFT、偏好学习、Reward Modeling 等方法，训练融合先后验信号的相关性奖励模型。\n4. 设计面向相关性标准自动迭代的智能体系统，使 Agent 能够完成数据分析、问题发现、样本归因、标准生成、冲突检测、评测验证等任务，并研究 Agent 的可靠性、可解释性和评估方法。\n5. 参与搜索算法与评测基础设施建设，包括样本构造、离线评测、在线实验分析、模型训练及效果诊断，推动研究成果在真实业务场景中验证。\n6. 跟踪信息检索、因果推断、LLM Evaluation、Reward Model 和 Agent 等方向的前沿工作，沉淀技术报告、专利或高水平论文。",
        "requirements_text": "1. 计算机、人工智能、统计学、数学或相关专业硕士、博士在读，具备良好的机器学习与统计学习基础。\n2. 熟悉信息检索或搜索推荐的基本技术体系，理解以下部分内容：\n2.1 倒排索引、召回、排序和 Learning to Rank；\n2.2 BM25、Embedding、Dense Retrieval、Cross-Encoder；\n2.3 搜索相关性建模及 Precision、Recall、NDCG、MRR 等评测指标；\n2.4 Transformer、预训练语言模型及常见深度学习方法。\n3. 熟悉 Python，能够使用 PyTorch 等框架独立完成数据处理、模型训练和实验分析；具备良好的工程实现与问题排查能力。\n4. 对以下方向至少一项有较深入的研究或项目经验，并愿意开展交叉研究：\n4.1 因果推断：因果图、倾向得分、IPW、双重稳健估计、因果森林、Uplift Modeling、异质性处理效应或反事实学习；\n4.2 大模型：Prompt、SFT、偏好优化、Reward Model、RAG、LLM-as-a-Judge 或模型评测；\n4.3 智能体：任务规划、工具调用、工作流编排、记忆与反思机制、Agent Evaluation。\n5. 具备良好的研究能力，能够完成论文调研、问题抽象、实验设计、结果分析及技术写作。\n6. 对真实业务问题有兴趣，能够从复杂数据中提出假设，并通过离线实验、因果分析或在线实验进行验证。",
        "skills": [AI生成
            "Python",
            "PyTorch",
            "机器学习",
            "深度学习",
            "模型训练",
            "建模",
            "大语言模型",
            "检索增强生成",
            "智能体开发"
        ],
        "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/199909220001?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199909220001",
        "post_date": "2026-08-27",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199909220001?deptCodes="
    },
    "fulltext": "研究型实习生-智能算法产品事业部-搜索算法工程师\n研究型实习生-智能算法产品事业部-搜索算法工程师\n\n基础信息\n毕业起止时间要求：2028-06-30 - 2030-06-30\n职位类别：技术类\n招聘项目：阿里巴巴研究型实习生\n工作地点：北京 / 杭州\n\n职位描述\n1. 参与电商搜索相关性评测研究，分析 Query、商品、用户意图及点击、成交、退货等行为数据，定位现有人工相关性标准与真实用户体验之间的偏差。\n2. 研究搜索相关性与业务指标之间的关联及因果关系，包括但不限于：\n2.1 构建相关性体验指标与点击率、转化率、退货率、留存等指标的关联模型；\n2.2 识别曝光位置、商品热度、价格、用户分群等混杂因素；\n2.3 探索因果效应估计、异质性分析及反事实评估方法；\n2.4 建立可解释、可验证的“体验—行为—收益”量化框架。\n3. 研究大模型驱动的相关性标准生成与迭代方法，包括：\n3.1 从高噪声、稀疏的用户行为序列中识别搜索意图与偏好；\n3.2 利用 LLM 总结不同需求类型下“相关/不相关”的判定依据；\n3.3 将用户行为、人工标注和业务规则转化为结构化 Rubrics；\n3.4 探索 SFT、偏好学习、Reward Modeling 等方法，训练融合先后验信号的相关性奖励模型。\n4. 设计面向相关性标准自动迭代的智能体系统，使 Agent 能够完成数据分析、问题发现、样本归因、标准生成、冲突检测、评测验证等任务，并研究 Agent 的可靠性、可解释性和评估方法。\n5. 参与搜索算法与评测基础设施建设，包括样本构造、离线评测、在线实验分析、模型训练及效果诊断，推动研究成果在真实业务场景中验证。\n6. 跟踪信息检索、因果推断、LLM Evaluation、Reward Model 和 Agent 等方向的前沿工作，沉淀技术报告、专利或高水平论文。\n\n职位要求\n1. 计算机、人工智能、统计学、数学或相关专业硕士、博士在读，具备良好的机器学习与统计学习基础。\n2. 熟悉信息检索或搜索推荐的基本技术体系，理解以下部分内容：\n2.1 倒排索引、召回、排序和 Learning to Rank；\n2.2 BM25、Embedding、Dense Retrieval、Cross-Encoder；\n2.3 搜索相关性建模及 Precision、Recall、NDCG、MRR 等评测指标；\n2.4 Transformer、预训练语言模型及常见深度学习方法。\n3. 熟悉 Python，能够使用 PyTorch 等框架独立完成数据处理、模型训练和实验分析；具备良好的工程实现与问题排查能力。\n4. 对以下方向至少一项有较深入的研究或项目经验，并愿意开展交叉研究：\n4.1 因果推断：因果图、倾向得分、IPW、双重稳健估计、因果森林、Uplift Modeling、异质性处理效应或反事实学习；\n4.2 大模型：Prompt、SFT、偏好优化、Reward Model、RAG、LLM-as-a-Judge 或模型评测；\n4.3 智能体：任务规划、工具调用、工作流编排、记忆与反思机制、Agent Evaluation。\n5. 具备良好的研究能力，能够完成论文调研、问题抽象、实验设计、结果分析及技术写作。\n6. 对真实业务问题有兴趣，能够从复杂数据中提出假设，并通过离线实验、因果分析或在线实验进行验证。\n\n在招业务\n淘天集团\n1. 参与电商搜索相关性评测研究，分析 Query、商品、用户意图及点击、成交、退货等行为数据，定位现有人工相关性标准与真实用户体验之间的偏差。\n2. 研究搜索相关性与业务指标之间的关联及因果关系，包括但不限于：\n2.1 构建相关性体验指标与点击率、转化率、退货率、留存等指标的关联模型；\n2.2 识别曝光位置、商品热度、价格、用户分群等混杂因素；\n2.3 探索因果效应估计、异质性分析及反事实评估方法；\n2.4 建立可解释、可验证的“体验—行为—收益”量化框架。\n3. 研究大模型驱动的相关性标准生成与迭代方法，包括：\n3.1 从高噪声、稀疏的用户行为序列中识别搜索意图与偏好；\n3.2 利用 LLM 总结不同需求类型下“相关/不相关”的判定依据；\n3.3 将用户行为、人工标注和业务规则转化为结构化 Rubrics；\n3.4 探索 SFT、偏好学习、Reward Modeling 等方法，训练融合先后验信号的相关性奖励模型。\n4. 设计面向相关性标准自动迭代的智能体系统，使 Agent 能够完成数据分析、问题发现、样本归因、标准生成、冲突检测、评测验证等任务，并研究 Agent 的可靠性、可解释性和评估方法。\n5. 参与搜索算法与评测基础设施建设，包括样本构造、离线评测、在线实验分析、模型训练及效果诊断，推动研究成果在真实业务场景中验证。\n6. 跟踪信息检索、因果推断、LLM Evaluation、Reward Model 和 Agent 等方向的前沿工作，沉淀技术报告、专利或高水平论文。\n1. 计算机、人工智能、统计学、数学或相关专业硕士、博士在读，具备良好的机器学习与统计学习基础。\n2. 熟悉信息检索或搜索推荐的基本技术体系，理解以下部分内容：\n2.1 倒排索引、召回、排序和 Learning to Rank；\n2.2 BM25、Embedding、Dense Retrieval、Cross-Encoder；\n2.3 搜索相关性建模及 Precision、Recall、NDCG、MRR 等评测指标；\n2.4 Transformer、预训练语言模型及常见深度学习方法。\n3. 熟悉 Python，能够使用 PyTorch 等框架独立完成数据处理、模型训练和实验分析；具备良好的工程实现与问题排查能力。\n4. 对以下方向至少一项有较深入的研究或项目经验，并愿意开展交叉研究：\n4.1 因果推断：因果图、倾向得分、IPW、双重稳健估计、因果森林、Uplift Modeling、异质性处理效应或反事实学习；\n4.2 大模型：Prompt、SFT、偏好优化、Reward Model、RAG、LLM-as-a-Judge 或模型评测；\n4.3 智能体：任务规划、工具调用、工作流编排、记忆与反思机制、Agent Evaluation。\n5. 具备良好的研究能力，能够完成论文调研、问题抽象、实验设计、结果分析及技术写作。\n6. 对真实业务问题有兴趣，能够从复杂数据中提出假设，并通过离线实验、因果分析或在线实验进行验证。",
    "standard_classification": {
        "std_category_code": "T011",
        "std_aux_codes": [
            "T015"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}