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": "【北斗实习】智能决策算法研究员-定价方向",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "海内外高校在校本科生（大三及以上）、硕士生及博士生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【课题说明】 \n在即时配送网络中，骑手定价是平衡运力供给与用户体验的核心动作。传统的定价策略往往难以精确量化价格变动对运力弹性的真实因果效应，且受限于预算约束与复杂的非凸优化目标，难以实现全局最优。本课题聚焦于“因果推断”与“运筹优化”在骑手定价业务中的前沿应用，旨在通过构建高鲁棒性的因果弹性模型，精准衡量定价干预效果，并结合大规模运筹优化技术，在给定预算下生成最优调价方案，最大化用户体验。课题将重点突破观测数据中的隐混淆与溢出效应、携带效应下的推断难题以及非凸场景下的求解效率，并探索LLM在因果建模中的增强作用。\n【建议研究方向】\n1. 复杂环境下的因果效应估计与弹性建模：针对骑手定价场景中存在的隐混淆变量（Hidden Confounders）、溢出效应（Spillover Effects）以及携带效应（Carryover Effects）等挑战，研究基于表示学习、工具变量或双重鲁棒（DR）的因果推断算法。探索无偏RCT数据与大规模观测数据的融合训练机制，解决特定Logit先验依赖问题，提升弹性模型在小样本和复杂混淆环境下的泛化能力与准确性。\n2. LLM增强因果推断（LLM4Causal）： 高价值特征挖掘与标签挖掘（Label Mining） ，针对业务数据中标签稀疏或含噪的问题，利用 LLM 的语义理解能力进行 Label Mining，推断缺失的转化标签或修正错误标签。因果去偏与反事实数据生成，研究利用 LLM 生成反事实样本或辅助识别未观测混淆变量，设计新的因果去偏机制。探索将LLM在因果推理和特征理解上的“大模型”能力，通过模型蒸馏（Model Distillation）技术迁移至轻量级的 Uplift 模型或深度因果网络（如 Dragonnet）中，提升模型能力。\n3. 大规模非凸运筹优化求解：基于因果模型输出的弹性预估，研究在预算约束下的复杂定价组合优化问题。重点攻克非凸优化（Non-convex Optimization）目标函数的求解难题，大规模分组背包等NP-Hard问题的近似算法或高效启发式求解策略，以及基于强化学习的序贯决策问题，确保定价策略在工业级时延要求下的实时产出与效果最优。",
"requirements_text": "海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。",
"skills": [AI生成
"强化学习",
"建模",
"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://zhaopin.meituan.com/web/position/detail?jobUnionId=4177297780&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4177297780",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4177297780&jobShareType=1"
},
"fulltext": "【北斗实习】智能决策算法研究员-定价方向\n【北斗实习】智能决策算法研究员-定价方向\n\n基础信息\n工作地点：北京市\n职位类别：技术类\n职位族群：算法\n更新时间：2026-02-06\n\n岗位职责\n【课题说明】 \n在即时配送网络中，骑手定价是平衡运力供给与用户体验的核心动作。传统的定价策略往往难以精确量化价格变动对运力弹性的真实因果效应，且受限于预算约束与复杂的非凸优化目标，难以实现全局最优。本课题聚焦于“因果推断”与“运筹优化”在骑手定价业务中的前沿应用，旨在通过构建高鲁棒性的因果弹性模型，精准衡量定价干预效果，并结合大规模运筹优化技术，在给定预算下生成最优调价方案，最大化用户体验。课题将重点突破观测数据中的隐混淆与溢出效应、携带效应下的推断难题以及非凸场景下的求解效率，并探索LLM在因果建模中的增强作用。\n【建议研究方向】\n1. 复杂环境下的因果效应估计与弹性建模：针对骑手定价场景中存在的隐混淆变量（Hidden Confounders）、溢出效应（Spillover Effects）以及携带效应（Carryover Effects）等挑战，研究基于表示学习、工具变量或双重鲁棒（DR）的因果推断算法。探索无偏RCT数据与大规模观测数据的融合训练机制，解决特定Logit先验依赖问题，提升弹性模型在小样本和复杂混淆环境下的泛化能力与准确性。\n2. LLM增强因果推断（LLM4Causal）： 高价值特征挖掘与标签挖掘（Label Mining） ，针对业务数据中标签稀疏或含噪的问题，利用 LLM 的语义理解能力进行 Label Mining，推断缺失的转化标签或修正错误标签。因果去偏与反事实数据生成，研究利用 LLM 生成反事实样本或辅助识别未观测混淆变量，设计新的因果去偏机制。探索将LLM在因果推理和特征理解上的“大模型”能力，通过模型蒸馏（Model Distillation）技术迁移至轻量级的 Uplift 模型或深度因果网络（如 Dragonnet）中，提升模型能力。\n3. 大规模非凸运筹优化求解：基于因果模型输出的弹性预估，研究在预算约束下的复杂定价组合优化问题。重点攻克非凸优化（Non-convex Optimization）目标函数的求解难题，大规模分组背包等NP-Hard问题的近似算法或高效启发式求解策略，以及基于强化学习的序贯决策问题，确保定价策略在工业级时延要求下的实时产出与效果最优。\n\n岗位基本要求\n海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。\n【课题说明】 \n在即时配送网络中，骑手定价是平衡运力供给与用户体验的核心动作。传统的定价策略往往难以精确量化价格变动对运力弹性的真实因果效应，且受限于预算约束与复杂的非凸优化目标，难以实现全局最优。本课题聚焦于“因果推断”与“运筹优化”在骑手定价业务中的前沿应用，旨在通过构建高鲁棒性的因果弹性模型，精准衡量定价干预效果，并结合大规模运筹优化技术，在给定预算下生成最优调价方案，最大化用户体验。课题将重点突破观测数据中的隐混淆与溢出效应、携带效应下的推断难题以及非凸场景下的求解效率，并探索LLM在因果建模中的增强作用。\n【建议研究方向】\n1. 复杂环境下的因果效应估计与弹性建模：针对骑手定价场景中存在的隐混淆变量（Hidden Confounders）、溢出效应（Spillover Effects）以及携带效应（Carryover Effects）等挑战，研究基于表示学习、工具变量或双重鲁棒（DR）的因果推断算法。探索无偏RCT数据与大规模观测数据的融合训练机制，解决特定Logit先验依赖问题，提升弹性模型在小样本和复杂混淆环境下的泛化能力与准确性。\n2. LLM增强因果推断（LLM4Causal）： 高价值特征挖掘与标签挖掘（Label Mining） ，针对业务数据中标签稀疏或含噪的问题，利用 LLM 的语义理解能力进行 Label Mining，推断缺失的转化标签或修正错误标签。因果去偏与反事实数据生成，研究利用 LLM 生成反事实样本或辅助识别未观测混淆变量，设计新的因果去偏机制。探索将LLM在因果推理和特征理解上的“大模型”能力，通过模型蒸馏（Model Distillation）技术迁移至轻量级的 Uplift 模型或深度因果网络（如 Dragonnet）中，提升模型能力。\n3. 大规模非凸运筹优化求解：基于因果模型输出的弹性预估，研究在预算约束下的复杂定价组合优化问题。重点攻克非凸优化（Non-convex Optimization）目标函数的求解难题，大规模分组背包等NP-Hard问题的近似算法或高效启发式求解策略，以及基于强化学习的序贯决策问题，确保定价策略在工业级时延要求下的实时产出与效果最优。\n海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}