Отделу исследований AI VK скоро исполнится год. Сейчас нас семь человек, уже 13 принятых статей: четыре на WWW, SIGIR, CIKM и ICDM, восемь на воркшопах и одна в IEEE Access. Вот примеры наших творений:
- Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction. Предсказываем продолжительность просмотра видео, при этом моделируем всё распределение времени просмотра. На картинке — постер этой работы
- Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling. Рекомендуем друзей на социальном графе из 194 млн пользователей и 28 млрд связей. Эффективно обучаем и применяем графовые нейросети на таком масштабе
- VK-LSVD: A Large-Scale Industrial Dataset for Short-Video Recommendation. Открыли данные промышленного масштаба: более 40 млрд взаимодействий, 10 млн пользователей и почти 20 млн коротких видео
- PIEFS: Physics-Informed Eigenfunctions Features with Learnable Scaling. Учимся подстраивать геометрию данных под задачу — соединяем спектральные методы с нейросетями
- Planning over Matrix-Factorization MDPs for Candidate Generation. Добавляем матричному разложению умение планировать. При подборе кандидатов моделируем, как выбор очередного объекта меняет представление о пользователе и следующие рекомендации
- На подходе — работы по агентному моделированию, рекомендациям наборов и оптимизации
Задачи
- Ведение научных исследований (от генерации идей до реализации экспериментов)
- Написание статей (в том числе по результатам деятельности смежных команд) — это основной KPI
- Выступление на научных конференциях
- Участие в научном пиаре (написание текстов в корпоративные блоги, выверка текста, предложения для публикации, выступления на VK-мероприятиях), участие в образовательных проектах (например, VK-образования)
- Auto Research (основной проект команды — идеи, реализация, эксплуатация)
Требования
- Опыт исследовательской деятельности
- Статьи в ведущих журналах (Q1), принятые на конференции (A/A*)
- Глубокие знания современного машинного и глубокого обучения
- Идеи для исследований, знания последних научных результатов
- Практические знания реализации DL-моделей и написания библиотек