腾讯｜优图实验室—生成式推荐与智能营销决策研究实习

课题背景： 近年来，大语言模型与生成式建模技术快速发展，为推荐系统与营销自动化带来了新的技术范式。传统推荐系统通常采用“召回+排序”的分阶段架构，营销系统则更多依赖规则、人工经验或单点预测模型，难以统一刻画用户需求、商品语义、场景约束与策略组合。本课题聚焦生成式推荐与营销决策方向，探索面向单商家及跨商家的 foundation model，支持对用户“下一商品购买意图”和“下一最佳营销动作（Next Best Actions）”进行统一建模，推动营销云从传统推荐与规则驱动向生成式、智能化决策升级。 课题挑战： 1、生成式商品推荐中的商品编码与协同信号融合： 研究商品 SID 中存在的编码冲突、漂移与长尾覆盖问题，并探索协同过滤信号、商品语义与用户行为序列的统一融合，提升生成式推荐效果与稳定性； 2、跨商家迁移与泛化： 研究相同行业及跨行业场景下的统一商品语义建模、用户兴趣迁移与跨域泛化能力； 3、场景化推荐生成： 融合节日、季节、出行、生命周期等上下文条件，生成符合特定场景需求的商品推荐结果； 4、人群圈选与可解释表征： 支持给定商品反向找人、用户分层聚类与 lookalike 扩量，并提升用户/商品语义表示的可解释性； 5、Next Best Action 多元素生成： 统一建模商品、触达时机、渠道与权益，生成用户下一步最佳营销动作； 6、训练样本构造、多目标优化与效果评估： 从用户行为与营销日志中构建“用户-上下文-策略-结果”训练样本，平衡点击、转化、GMV 与长期价值等目标，建立生成式推荐与营销策略的离线评估体系。 具体工作： 你将参与生成式推荐与营销决策基础模型设计，围绕商品推荐、人群圈选、语义表示学习、策略生成、多目标优化和离线评估展开研究，推动模型在营销云真实场景中的泛化与落地。

1、包含但不限于计算机、人工智能、软件工程、自动化、信息工程、统计学、应用数学、运筹学、数据科学等相关专业的博士和优秀硕士； 2、熟悉机器学习、深度学习、推荐系统、智能决策等相关基础理论与算法，掌握 PyTorch、TensorFlow 等至少一种深度学习框架； 3、熟悉 Python 编程，具备较强的数据处理、模型开发与实验分析能力，有推荐算法、序列建模、生成模型或用户行为建模经验者优先； 4、具备大语言模型微调与适配经验，熟悉 SFT、LoRA等主流技术方案，有生成式推荐或大模型业务落地经验者优先； 5、熟悉因果推断、uplift modeling、异质性处理效应估计（CATE）或策略评估优化方法，有营销策略优化、Next Best Action 或智能投放相关经验者优先； 6、具备较强的问题抽象能力、工程实现能力与团队协作能力，对生成式推荐、智能营销与决策优化方向有持续探索兴趣。