推荐算法工程师-主APP 1、参与亿级用户规模的视频推荐优化，提升 停留时长、点击率、留存率等核心指标； 2、参与机器学习、深度学习领域的技术研发工作， 包括但 不限于神经元网络模型设计与优化、强化学习、迁移学习等； 3.分析海 量用户行为数据和视频数 据，使用先进的检索 手段，优化快手的推荐效果 <br/> 推荐算法工程师- 极速版 1、参与快手极速版发现页亿级用户规模的视频推荐优化，提升观看时长、点 击率、互动率、留存率等核心指标； 2、通过超大规模机器 学习模型和系统，优化召回 、粗排、精排、重排模块中的策略算法和模型； 3、改进双边网络的流量 分配机制 ，研究 长期价值 建模， 鼓励优质内容，建立健康 可持续 的社区生态 <br/> 推荐算法工程师- 策略中台 1、致力于提高策略算法的自动化、可复用性，将业界前沿算法在快手模块化，建设强大的策略中台 2、将新策略算法在精选页/发现页等核心场景落地拿到收益，并通过中台化方式推广到其他业务场景 3、重点探索在线自动调参、贝叶斯优化、强化学习、元学习、因果 推断、效能 优化等前沿技术的落地 <br/> 推荐算法工程师–电商 生态方向 1、参与亿级用户规模的电商推荐优化，提升内容电商观看时长、点 击率、转化率、GMV、LTV等核心指标； 2、通过深度学习领域的研发工作， 包括但 不限于深度模型设计与优化、强化学习、迁移 学习、图 神经网络 等的算法和系统提升预估效果； 3、通过推荐算法机制优 化电商流量结构和GMV结构，促进 电商生态的健康 发展。 <br/> 算法工程师-【智能金币补贴方向】 承担快手最核心的业务指标 ，使用机器 学习、 运筹优 化等算法持续优 化超大规模补贴系统，通过敏感人群预估，补贴增 益预测、动态补贴 优化、金币活动与推荐策略结合等方面优化，来不断提升快手用户消费体验和粘性。 <br/> 推荐算法工程师- 小程序 方向 1、负责小程序版快手的视频和直播的推荐优化，打造极致的小程序推荐体验； 2、分析海 量用户行为数据和视频数 据，挖掘用户兴趣，优化推荐效 果； 3、参与前沿问题 的探索 与研究，结合 实际应用场景，提供全面的技术 解决方案 ； <br/> 算法工程师- 内容推荐方向 1、参与亿级用户规模的视频和直播的推荐优化，改善快手主APP推荐体验； 2、通过知识图谱和推荐的结合，做更精准高效的内容分发； 3、分析海 量用户行为数据和视频数 据，挖掘用户兴趣，优化内容 分发机制； <br/>

1、参与亿级用户规模的视频推荐优化，提升停留时长、点击率、留存率等核心指标 ； 2、参与机器学习、深度学习领域的技术研发工作，包括但不限于神经网络 模型设计与优化、强化学习、迁移学习等； 3、分析海量用户行为数据和视频数据，使用先进的检索手段，优化快手的推荐效果；

1、开发和迭代CTR预估模型和 竞价策略，提升用户增长广告投放点击率、转化率、ROI等核心 指标 2、通过深度学习领域的研发工作，包括但不限于深度模型设计与优化、强化学习、迁移学习、图 神经网络等算法和系统提升预估效果 3、通过召回排序等推荐算法，改善增长广告用户在快手的产品体验。

1、分析海量用户行为数据和视频数据，增加有效的特征，挖掘用户兴趣，优化Ranking机制 ； 2、通过超大规模机器学习模型和系统，使用先进的检索和排序手段，优化快手的搜索效果和数据效果； 3、能够搭建机器学习框架，提供高并发，大数据，高效可靠的线上服务。

1、 有机会参与到推荐系统各个环节的工作，了解系统全貌； 2、分析、理解用户数据和业务场景，设计合适的推荐算法和机器学习模型； 3、调 研业内前沿推荐算法，落地到业务场景中，并根据业务场景做适配和创新。

精排模型负责快手每天几 百亿短视频分发的个性化预估，是快手推荐系统中最复杂和核心模块之一。 我们致力于打造业界最先进的推荐模型，工作内容包括 ： 1、深入理解业务， 优化改进快手短视频推荐算法，提升推荐质量。 2、大规模推荐系统的研发和 优化，为亿级用户提供稳定可靠的实时推荐系统。 3、跟踪业界深度学习/强化学习等领域进展，持续优化快手推荐系统。 4、分析海量用户行为和短视频数据，更精准刻画用户兴趣，提升快手推荐的用户体验。

1、个性化召回模型优化：快手各页面feed流个性化模型召回 ，是快手推荐系统中最复杂和核心模块之一。 我们主要优化的页面包括发现页、同城页等主站页面和长视频页、相似视频等垂类页面，致力于打造业界最先进的个性化召回模型。 2. 垂类排序模型优化：负责主站创新业务（包括长视频、相似视频、发现页双列内部流）的排序模型优化， 包括精排模型、粗排模型、rerank模型等，支持快手进一步扩展产品边界，触达更广阔的消费人群。

1、快手主app，极速版各页面的个性化排序算法优化工作，基于人工智能领域的前沿研究，优化短视频分发，提升用户体验。 2、利用深度学习，多目标模型优化，蒸馏学习，迁移学习，用户长期兴趣建模等技术持续 为用户创造更佳的用户体验，打造更完善的短视频社区生态。 3、从召回/粗排/精排全推荐链路的视角出发，解决上下游一致性问题，深入分析并持续优化模型预估精度。