主分类：搜索推荐与业务决策算法研发
辅助：AI训练推理与计算优化（仅展示）
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": "【快Star】社交生成式推荐算法工程师",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "J1005"AI生成
},
"company": {
"company_name": "快手科技",
"company_industry": "内容社区 / 直播 / 电商 / 人工智能",
"company_size": "10000人以上",
"company_website": "kuaishou.com",
"company_description": "快手是内容社区与技术平台公司，业务覆盖短视频、直播、电商、本地生活与 AI 应用。"
},
"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": "【快Star】社交生成式推荐算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1005\n工作地点：北京\n发布时间：2026-05-27\n\n岗位职责\n1、探索生成式推荐范式在社交分享场景下的技术创新与落地，包括但不限于生成式排序模型设计、用户意图建模、个性化内容生成等，持续提升社交分享链路中的内容分发效率与用户连接价值；\n2、研究并解决生成式推荐中的长尾稀疏问题，包括但不限于低频样本的模型偏差修正、泛化能力优化、稀疏场景下的表征学习等，提升推荐系统在海量长尾内容上的覆盖与质量；\n3、探索大模型语义推理与少样本学习在冷启动场景中的应用，实现无历史交互用户及内容的零样本精准推荐，突破传统协同过滤在冷启动场景下的瓶颈；\n4、研究推荐模型的压缩与加速技术，在保障实时性与生成质量的前提下，突破高昂推理成本与算力瓶颈，推动生成式推荐系统的大规模工程落地；\n5、构建社交双边反馈建模机制，同时捕捉分享者与接收者的行为信号，设计兼顾长短期价值的优化目标，平衡生态健康与用户体验。\n\n任职要求\n1、硕士及以上学历，计算机、人工智能、统计学、数学等相关专业；\n2、扎实的机器学习与深度学习基础，熟悉推荐系统核心技术（召回、排序、重排），了解生成式推荐相关前沿进展；\n3、熟悉大语言模型基本原理及后训练技术（SFT、RLHF等），具备将LLM能力迁移至推荐场景的研究或工程经验；\n4、较强的工程实现能力，熟悉主流深度学习框架（PyTorch等）及大规模分布式训练与推理优化方法。\n加分项：\n1、在推荐系统、社交网络分析、生成式模型等方向有顶级国际会议论文发表（如KDD、WWW、RecSys、NeurIPS、ICML等）；\n2、有大规模推荐系统或生成式模型的工业落地经验，熟悉在线学习、实时推理等工程挑战；\n3、对社交分享行为、内容传播机制有深入理解，具备双边市场或生态建模相关经验；\n4、在ACM-ICPC/NOI/IOI编程竞赛或Kaggle等机器学习竞赛中获得奖项。",
"requirements_text": "【快Star】社交生成式推荐算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1005\n工作地点：北京\n发布时间：2026-05-27\n\n岗位职责\n1、探索生成式推荐范式在社交分享场景下的技术创新与落地，包括但不限于生成式排序模型设计、用户意图建模、个性化内容生成等，持续提升社交分享链路中的内容分发效率与用户连接价值；\n2、研究并解决生成式推荐中的长尾稀疏问题，包括但不限于低频样本的模型偏差修正、泛化能力优化、稀疏场景下的表征学习等，提升推荐系统在海量长尾内容上的覆盖与质量；\n3、探索大模型语义推理与少样本学习在冷启动场景中的应用，实现无历史交互用户及内容的零样本精准推荐，突破传统协同过滤在冷启动场景下的瓶颈；\n4、研究推荐模型的压缩与加速技术，在保障实时性与生成质量的前提下，突破高昂推理成本与算力瓶颈，推动生成式推荐系统的大规模工程落地；\n5、构建社交双边反馈建模机制，同时捕捉分享者与接收者的行为信号，设计兼顾长短期价值的优化目标，平衡生态健康与用户体验。\n\n任职要求\n1、硕士及以上学历，计算机、人工智能、统计学、数学等相关专业；\n2、扎实的机器学习与深度学习基础，熟悉推荐系统核心技术（召回、排序、重排），了解生成式推荐相关前沿进展；\n3、熟悉大语言模型基本原理及后训练技术（SFT、RLHF等），具备将LLM能力迁移至推荐场景的研究或工程经验；\n4、较强的工程实现能力，熟悉主流深度学习框架（PyTorch等）及大规模分布式训练与推理优化方法。\n加分项：\n1、在推荐系统、社交网络分析、生成式模型等方向有顶级国际会议论文发表（如KDD、WWW、RecSys、NeurIPS、ICML等）；\n2、有大规模推荐系统或生成式模型的工业落地经验，熟悉在线学习、实时推理等工程挑战；\n3、对社交分享行为、内容传播机制有深入理解，具备双边市场或生态建模相关经验；\n4、在ACM-ICPC/NOI/IOI编程竞赛或Kaggle等机器学习竞赛中获得奖项。",
"skills": [AI生成
"PyTorch",
"机器学习",
"深度学习",
"推荐算法",
"建模",
"招聘",
"大语言模型"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/12903?recruitSubProjectCodes="
}
]
},
"posting": {
"posting_id": "12903",
"post_date": "2026-05-27",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/12903?recruitSubProjectCodes="
},
"fulltext": "【快Star】社交生成式推荐算法工程师\n【快Star】社交生成式推荐算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1005\n工作地点：北京\n发布时间：2026-05-27\n\n岗位职责\n1、探索生成式推荐范式在社交分享场景下的技术创新与落地，包括但不限于生成式排序模型设计、用户意图建模、个性化内容生成等，持续提升社交分享链路中的内容分发效率与用户连接价值；\n2、研究并解决生成式推荐中的长尾稀疏问题，包括但不限于低频样本的模型偏差修正、泛化能力优化、稀疏场景下的表征学习等，提升推荐系统在海量长尾内容上的覆盖与质量；\n3、探索大模型语义推理与少样本学习在冷启动场景中的应用，实现无历史交互用户及内容的零样本精准推荐，突破传统协同过滤在冷启动场景下的瓶颈；\n4、研究推荐模型的压缩与加速技术，在保障实时性与生成质量的前提下，突破高昂推理成本与算力瓶颈，推动生成式推荐系统的大规模工程落地；\n5、构建社交双边反馈建模机制，同时捕捉分享者与接收者的行为信号，设计兼顾长短期价值的优化目标，平衡生态健康与用户体验。\n\n任职要求\n1、硕士及以上学历，计算机、人工智能、统计学、数学等相关专业；\n2、扎实的机器学习与深度学习基础，熟悉推荐系统核心技术（召回、排序、重排），了解生成式推荐相关前沿进展；\n3、熟悉大语言模型基本原理及后训练技术（SFT、RLHF等），具备将LLM能力迁移至推荐场景的研究或工程经验；\n4、较强的工程实现能力，熟悉主流深度学习框架（PyTorch等）及大规模分布式训练与推理优化方法。\n加分项：\n1、在推荐系统、社交网络分析、生成式模型等方向有顶级国际会议论文发表（如KDD、WWW、RecSys、NeurIPS、ICML等）；\n2、有大规模推荐系统或生成式模型的工业落地经验，熟悉在线学习、实时推理等工程挑战；\n3、对社交分享行为、内容传播机制有深入理解，具备双边市场或生态建模相关经验；\n4、在ACM-ICPC/NOI/IOI编程竞赛或Kaggle等机器学习竞赛中获得奖项。\n【快Star】社交生成式推荐算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1005\n工作地点：北京\n发布时间：2026-05-27\n\n岗位职责\n1、探索生成式推荐范式在社交分享场景下的技术创新与落地，包括但不限于生成式排序模型设计、用户意图建模、个性化内容生成等，持续提升社交分享链路中的内容分发效率与用户连接价值；\n2、研究并解决生成式推荐中的长尾稀疏问题，包括但不限于低频样本的模型偏差修正、泛化能力优化、稀疏场景下的表征学习等，提升推荐系统在海量长尾内容上的覆盖与质量；\n3、探索大模型语义推理与少样本学习在冷启动场景中的应用，实现无历史交互用户及内容的零样本精准推荐，突破传统协同过滤在冷启动场景下的瓶颈；\n4、研究推荐模型的压缩与加速技术，在保障实时性与生成质量的前提下，突破高昂推理成本与算力瓶颈，推动生成式推荐系统的大规模工程落地；\n5、构建社交双边反馈建模机制，同时捕捉分享者与接收者的行为信号，设计兼顾长短期价值的优化目标，平衡生态健康与用户体验。\n\n任职要求\n1、硕士及以上学历，计算机、人工智能、统计学、数学等相关专业；\n2、扎实的机器学习与深度学习基础，熟悉推荐系统核心技术（召回、排序、重排），了解生成式推荐相关前沿进展；\n3、熟悉大语言模型基本原理及后训练技术（SFT、RLHF等），具备将LLM能力迁移至推荐场景的研究或工程经验；\n4、较强的工程实现能力，熟悉主流深度学习框架（PyTorch等）及大规模分布式训练与推理优化方法。\n加分项：\n1、在推荐系统、社交网络分析、生成式模型等方向有顶级国际会议论文发表（如KDD、WWW、RecSys、NeurIPS、ICML等）；\n2、有大规模推荐系统或生成式模型的工业落地经验，熟悉在线学习、实时推理等工程挑战；\n3、对社交分享行为、内容传播机制有深入理解，具备双边市场或生态建模相关经验；\n4、在ACM-ICPC/NOI/IOI编程竞赛或Kaggle等机器学习竞赛中获得奖项。\n【快Star】社交生成式推荐算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1005\n工作地点：北京\n发布时间：2026-05-27\n\n岗位职责\n1、探索生成式推荐范式在社交分享场景下的技术创新与落地，包括但不限于生成式排序模型设计、用户意图建模、个性化内容生成等，持续提升社交分享链路中的内容分发效率与用户连接价值；\n2、研究并解决生成式推荐中的长尾稀疏问题，包括但不限于低频样本的模型偏差修正、泛化能力优化、稀疏场景下的表征学习等，提升推荐系统在海量长尾内容上的覆盖与质量；\n3、探索大模型语义推理与少样本学习在冷启动场景中的应用，实现无历史交互用户及内容的零样本精准推荐，突破传统协同过滤在冷启动场景下的瓶颈；\n4、研究推荐模型的压缩与加速技术，在保障实时性与生成质量的前提下，突破高昂推理成本与算力瓶颈，推动生成式推荐系统的大规模工程落地；\n5、构建社交双边反馈建模机制，同时捕捉分享者与接收者的行为信号，设计兼顾长短期价值的优化目标，平衡生态健康与用户体验。\n\n任职要求\n1、硕士及以上学历，计算机、人工智能、统计学、数学等相关专业；\n2、扎实的机器学习与深度学习基础，熟悉推荐系统核心技术（召回、排序、重排），了解生成式推荐相关前沿进展；\n3、熟悉大语言模型基本原理及后训练技术（SFT、RLHF等），具备将LLM能力迁移至推荐场景的研究或工程经验；\n4、较强的工程实现能力，熟悉主流深度学习框架（PyTorch等）及大规模分布式训练与推理优化方法。\n加分项：\n1、在推荐系统、社交网络分析、生成式模型等方向有顶级国际会议论文发表（如KDD、WWW、RecSys、NeurIPS、ICML等）；\n2、有大规模推荐系统或生成式模型的工业落地经验，熟悉在线学习、实时推理等工程挑战；\n3、对社交分享行为、内容传播机制有深入理解，具备双边市场或生态建模相关经验；\n4、在ACM-ICPC/NOI/IOI编程竞赛或Kaggle等机器学习竞赛中获得奖项。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T014"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}