一只
算法专家
阿里巴巴 · 8年经验
日薪：
￥500/8h
地点：
北京 昌平
时间：
下班后周六周日可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1、精通python和java开发
2、从事机器学习和深度学习算法工作，熟悉各种机器学习类算法，精通tensorflow和pytorch 框架
3、有大模型相关经验，熟悉大模型的基本原理，并能运用大模型工具。
4、具备扎实的数学与机器学习基础，精通推荐系统、广告或搜索领域的核心算法，包括协同过滤、深度学习模型（如Wide&Deep、DeepFM、MMoE、DIN、GraphSAGE）、多任务学习、序列建模及探索与利用策略。熟悉推荐全链路——从多路召回（向量检索、图召回）、精排（CTR/CVR预估）到重排（多样性、公平性优化）。熟练掌握TensorFlow/PyTorch，具备大规模数据处理能力（Spark、Flink）、特征平台构建、在线服务部署（TF Serving、TensorRT）及AB实验设计与评估。同时关注前沿技术，如大模型（LLM）在语义理解与个性化生成中的应用、因果推断解决偏差问题、联邦学习保障隐私等。能够深入业务场景，将算法创新转化为可量化的商业价值（如GMV、点击率、留存率提升），并具备良好的工程落地能力和跨团队协作经验。
2、从事机器学习和深度学习算法工作，熟悉各种机器学习类算法，精通tensorflow和pytorch 框架
3、有大模型相关经验，熟悉大模型的基本原理，并能运用大模型工具。
4、具备扎实的数学与机器学习基础，精通推荐系统、广告或搜索领域的核心算法，包括协同过滤、深度学习模型（如Wide&Deep、DeepFM、MMoE、DIN、GraphSAGE）、多任务学习、序列建模及探索与利用策略。熟悉推荐全链路——从多路召回（向量检索、图召回）、精排（CTR/CVR预估）到重排（多样性、公平性优化）。熟练掌握TensorFlow/PyTorch，具备大规模数据处理能力（Spark、Flink）、特征平台构建、在线服务部署（TF Serving、TensorRT）及AB实验设计与评估。同时关注前沿技术，如大模型（LLM）在语义理解与个性化生成中的应用、因果推断解决偏差问题、联邦学习保障隐私等。能够深入业务场景，将算法创新转化为可量化的商业价值（如GMV、点击率、留存率提升），并具备良好的工程落地能力和跨团队协作经验。
项目经验
1. 首页个性化推荐系统重构与优化
主导从传统协同过滤向深度学习多目标推荐架构升级，设计并落地基于 MMoE + ESMM 的多任务学习模型，同时优化点击率（CTR）、转化率（CVR）与停留时长。
引入用户实时行为序列建模（DIN + DIEN），结合 Transformer 捕捉兴趣演化，使 CTR 提升 12.3%，GMV 提升 8.7%。
2. 冷启动与长尾商品扶持策略
设计多源异构特征融合框架，整合商品文本（BERT）、图像（ResNet）及知识图谱属性，缓解新商品冷启动问题。
关键技术栈：
算法：DNN、Wide&Deep、MMoE、ESMM、DIN
工具：TensorFlow / PyTorc
主导从传统协同过滤向深度学习多目标推荐架构升级，设计并落地基于 MMoE + ESMM 的多任务学习模型，同时优化点击率（CTR）、转化率（CVR）与停留时长。
引入用户实时行为序列建模（DIN + DIEN），结合 Transformer 捕捉兴趣演化，使 CTR 提升 12.3%，GMV 提升 8.7%。
2. 冷启动与长尾商品扶持策略
设计多源异构特征融合框架，整合商品文本（BERT）、图像（ResNet）及知识图谱属性，缓解新商品冷启动问题。
关键技术栈：
算法：DNN、Wide&Deep、MMoE、ESMM、DIN
工具：TensorFlow / PyTorc
一只
算法专家 · 8年经验 · 阿里巴巴
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1、精通python和java开发
2、从事机器学习和深度学习算法工作，熟悉各种机器学习类算法，精通tensorflow和pytorch 框架
3、有大模型相关经验，熟悉大模型的基本原理，并能运用大模型工具。
4、具备扎实的数学与机器学习基础，精通推荐系统、广告或搜索领域的核心算法，包括协同过滤、深度学习模型（如Wide&Deep、DeepFM、MMoE、DIN、GraphSAGE）、多任务学习、序列建模及探索与利用策略。熟悉推荐全链路——从多路召回（向量检索、图召回）、精排（CTR/CVR预估）到重排（多样性、公平性优化）。熟练掌握TensorFlow/PyTorch，具备大规模数据处理能力（Spark、Flink）、特征平台构建、在线服务部署（TF Serving、TensorRT）及AB实验设计与评估。同时关注前沿技术，如大模型（LLM）在语义理解与个性化生成中的应用、因果推断解决偏差问题、联邦学习保障隐私等。能够深入业务场景，将算法创新转化为可量化的商业价值（如GMV、点击率、留存率提升），并具备良好的工程落地能力和跨团队协作经验。
2、从事机器学习和深度学习算法工作，熟悉各种机器学习类算法，精通tensorflow和pytorch 框架
3、有大模型相关经验，熟悉大模型的基本原理，并能运用大模型工具。
4、具备扎实的数学与机器学习基础，精通推荐系统、广告或搜索领域的核心算法，包括协同过滤、深度学习模型（如Wide&Deep、DeepFM、MMoE、DIN、GraphSAGE）、多任务学习、序列建模及探索与利用策略。熟悉推荐全链路——从多路召回（向量检索、图召回）、精排（CTR/CVR预估）到重排（多样性、公平性优化）。熟练掌握TensorFlow/PyTorch，具备大规模数据处理能力（Spark、Flink）、特征平台构建、在线服务部署（TF Serving、TensorRT）及AB实验设计与评估。同时关注前沿技术，如大模型（LLM）在语义理解与个性化生成中的应用、因果推断解决偏差问题、联邦学习保障隐私等。能够深入业务场景，将算法创新转化为可量化的商业价值（如GMV、点击率、留存率提升），并具备良好的工程落地能力和跨团队协作经验。
项目经验
1. 首页个性化推荐系统重构与优化
主导从传统协同过滤向深度学习多目标推荐架构升级，设计并落地基于 MMoE + ESMM 的多任务学习模型，同时优化点击率（CTR）、转化率（CVR）与停留时长。
引入用户实时行为序列建模（DIN + DIEN），结合 Transformer 捕捉兴趣演化，使 CTR 提升 12.3%，GMV 提升 8.7%。
2. 冷启动与长尾商品扶持策略
设计多源异构特征融合框架，整合商品文本（BERT）、图像（ResNet）及知识图谱属性，缓解新商品冷启动问题。
关键技术栈：
算法：DNN、Wide&Deep、MMoE、ESMM、DIN
工具：TensorFlow / PyTorc
主导从传统协同过滤向深度学习多目标推荐架构升级，设计并落地基于 MMoE + ESMM 的多任务学习模型，同时优化点击率（CTR）、转化率（CVR）与停留时长。
引入用户实时行为序列建模（DIN + DIEN），结合 Transformer 捕捉兴趣演化，使 CTR 提升 12.3%，GMV 提升 8.7%。
2. 冷启动与长尾商品扶持策略
设计多源异构特征融合框架，整合商品文本（BERT）、图像（ResNet）及知识图谱属性，缓解新商品冷启动问题。
关键技术栈：
算法：DNN、Wide&Deep、MMoE、ESMM、DIN
工具：TensorFlow / PyTorc
立即沟通
