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（J98828）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "IDG",
"location": "北京市",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "百度",
"company_industry": "互联网 / 人工智能",
"company_size": "10000人以上",
"company_website": "baidu.com",
"company_description": "百度围绕搜索发展人工智能技术，业务涉及语音、图像、知识图谱、自然语言处理、自动驾驶和AI芯片。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "-优化智能呼返主模型与Uplift基座建设，熟悉并进行因果森林/DRCFR/DESCN等模型迭代，优化补贴钱效\n-优化RCT实验与AB测试分流策略，实现ODTP缓存机制与动态折扣分配。lambda求解器多周期优化与仿真系统开发\n-构建多维度特征工程体系，包含价敏特征、长效特征及KL散度筛选方法，优化Embedding框架与高阶特征组合\n-构建AARRR全链路增长算法体系，实现端内各复杂场景dnn模型接入与迁移学习搭建\n-设计统一RCT实验链路，打通端内外用户ID体系与预估目标对齐，优化CAC/LTV目标刻画\n-落地强化学习机制与PMF决策框架，优化ROI提升与预算节约，探索定价-增长链路迁移学习\n-完成多对多派单引擎价值层建设，eg司机行为模型(热力图预估)，用户行为模型(完单率预估)等\n-构建KM/GS匹配算法与自适应匹配策略，实现分单策略优化与连环派单效率提升\n-开发环境仿真模拟系统与强化学习决策框架，支撑预期等待时间优化与红包/赔付等抓手探索",
"requirements_text": "-模型设计与优化：精通机器学习/深度学习主流框架(如TensorFlow/PyTorch)，掌握因果推断、强化学习、迁移学习等核心算法原理；具备模型鲁棒性提升、过拟合风险控制及特征工程全流程实操能力，能通过特征筛选、Embedding优化及高阶组合特征挖掘提升模型效果\n-实验设计与评估：熟悉RCT实验设计、AB测试分流策略及离线/在线评估体系构建，掌握多实验组并行实验、指标监控与效果分析方法，能通过实验结果快速迭代优化算法策略\n-系统架构能力：理解分布式计算、高并发处理及实时数据流处理架构，具备模型部署、AB测试平台搭建及数据可视化(如matplotlib/seaborn)能力，能设计可扩展的算法架构以适应业务动态变化",
"skills": [AI生成
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"强化学习",
"系统架构"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/SOCIAL/6141343d-0ff1-4111-b5dd-f7e2429a201b"
}
]
},
"posting": {
"posting_id": "6141343d-0ff1-4111-b5dd-f7e2429a201b",
"post_date": "2026-03-31",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/SOCIAL/6141343d-0ff1-4111-b5dd-f7e2429a201b"
},
"fulltext": "算法工程师（J98828）\n算法工程师（J98828）\n\n基础信息\n部门：IDG\n地点：北京市\n类别：技术\n招聘人数：1\n发布时间：2026-07-21\n\n工作职责\n-优化智能呼返主模型与Uplift基座建设，熟悉并进行因果森林/DRCFR/DESCN等模型迭代，优化补贴钱效\n-优化RCT实验与AB测试分流策略，实现ODTP缓存机制与动态折扣分配。lambda求解器多周期优化与仿真系统开发\n-构建多维度特征工程体系，包含价敏特征、长效特征及KL散度筛选方法，优化Embedding框架与高阶特征组合\n-构建AARRR全链路增长算法体系，实现端内各复杂场景dnn模型接入与迁移学习搭建\n-设计统一RCT实验链路，打通端内外用户ID体系与预估目标对齐，优化CAC/LTV目标刻画\n-落地强化学习机制与PMF决策框架，优化ROI提升与预算节约，探索定价-增长链路迁移学习\n-完成多对多派单引擎价值层建设，eg司机行为模型(热力图预估)，用户行为模型(完单率预估)等\n-构建KM/GS匹配算法与自适应匹配策略，实现分单策略优化与连环派单效率提升\n-开发环境仿真模拟系统与强化学习决策框架，支撑预期等待时间优化与红包/赔付等抓手探索\n\n职责要求\n-模型设计与优化：精通机器学习/深度学习主流框架(如TensorFlow/PyTorch)，掌握因果推断、强化学习、迁移学习等核心算法原理；具备模型鲁棒性提升、过拟合风险控制及特征工程全流程实操能力，能通过特征筛选、Embedding优化及高阶组合特征挖掘提升模型效果\n-实验设计与评估：熟悉RCT实验设计、AB测试分流策略及离线/在线评估体系构建，掌握多实验组并行实验、指标监控与效果分析方法，能通过实验结果快速迭代优化算法策略\n-系统架构能力：理解分布式计算、高并发处理及实时数据流处理架构，具备模型部署、AB测试平台搭建及数据可视化(如matplotlib/seaborn)能力，能设计可扩展的算法架构以适应业务动态变化\n-优化智能呼返主模型与Uplift基座建设，熟悉并进行因果森林/DRCFR/DESCN等模型迭代，优化补贴钱效\n-优化RCT实验与AB测试分流策略，实现ODTP缓存机制与动态折扣分配。lambda求解器多周期优化与仿真系统开发\n-构建多维度特征工程体系，包含价敏特征、长效特征及KL散度筛选方法，优化Embedding框架与高阶特征组合\n-构建AARRR全链路增长算法体系，实现端内各复杂场景dnn模型接入与迁移学习搭建\n-设计统一RCT实验链路，打通端内外用户ID体系与预估目标对齐，优化CAC/LTV目标刻画\n-落地强化学习机制与PMF决策框架，优化ROI提升与预算节约，探索定价-增长链路迁移学习\n-完成多对多派单引擎价值层建设，eg司机行为模型(热力图预估)，用户行为模型(完单率预估)等\n-构建KM/GS匹配算法与自适应匹配策略，实现分单策略优化与连环派单效率提升\n-开发环境仿真模拟系统与强化学习决策框架，支撑预期等待时间优化与红包/赔付等抓手探索\n-模型设计与优化：精通机器学习/深度学习主流框架(如TensorFlow/PyTorch)，掌握因果推断、强化学习、迁移学习等核心算法原理；具备模型鲁棒性提升、过拟合风险控制及特征工程全流程实操能力，能通过特征筛选、Embedding优化及高阶组合特征挖掘提升模型效果\n-实验设计与评估：熟悉RCT实验设计、AB测试分流策略及离线/在线评估体系构建，掌握多实验组并行实验、指标监控与效果分析方法，能通过实验结果快速迭代优化算法策略\n-系统架构能力：理解分布式计算、高并发处理及实时数据流处理架构，具备模型部署、AB测试平台搭建及数据可视化(如matplotlib/seaborn)能力，能设计可扩展的算法架构以适应业务动态变化",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}