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

Будет плюсом

Опыт в рекомендательных системах или анализе поведения клиентов или моделировании социальных сетей.