岗位描述
团队在构建一套面向金融场景的生成式推荐系统。技术栈紧贴 2025–2026 的工业界 SOTA,强调因果信号与推荐管线的深度融合,而非传统的特征拼接式建模。你将直接参与核心引擎的设计与落地,而非边缘的数据标注或调参工作。
你将参与的工作
生成式推荐主干:基于 HSTU(Hierarchical Sequential Transduction Unit)实现用户行为序列建模,跑通从召回到排序的完整链路;理解 pointwise aggregated attention、U-gating、relative attention bias 等核心机制并能动手迭代。
Semantic IDs 体系:使用 RQ-VAE 对标的做残差量化编码,生成层级化语义 ID;探索将结构化拓扑特征(图邻域、度数、PageRank 等)融入编码输入的非通用做法。
因果信号嵌入:把因果推断真正嵌入推荐管线——不是在解释层做装饰,而是将图边权重作为召回结构与排序特征的硬输入,并用 IPS/DR、Uplift CATE等方法做离线策略评估(off-policy evaluation)与优化。
特征与在线服务:参与特征工程与在线特征服务,配合实时数据基质(流处理、向量检索、图数据库)支撑高频推荐场景。
我们希望你具备
扎实的机器学习与深度学习基础,熟悉推荐系统经典与前沿方法(序列推荐、生成式检索、召回/排序范式)。
熟练使用 PyTorch,有能力阅读并复现论文级实现(如Google TIGER 等开源项目),能独立完成数据处理、训练、实验迭代的全流程。
具备较强自驱力,能在小团队、快节奏、从 0 构建的环境中独立推进任务。
对因果推断、知识图谱或量化金融中任一方向有了解或兴趣者优先。