【北斗实习】智能决策算法研究员-因果推断方向

Job description

【课题说明】 以外卖场景下的C端配送费定价为核心决策问题，探索因果推断与前沿人工智能技术融合的下一代决策科学范式。

本研究直面高维、动态、充满混杂的商业环境中的根本性挑战

商家间复杂的替代与互补关系、多干预下的交叉混杂效应、以及决策影响的延迟传导与长期因果效应。目标是构建能够表征长程因果、进行反事实推演与前瞻性预估的智能决策系统，实现从“数据相关性分析”到“因果性决策”的根本性跨越，为定价策略提供可解释、可预估的科学依据。 【建议研究方向】

List-wise替代效应的因果效应建模

• 传统point-wise的因果模型无法刻画在外卖平台多商家同时曝光、用户主动比价场景下复杂的替代与竞争关系。

本研究需攻克两大核心问题

一是曝光集合（Impression Set）层面的因果结构识别，即如何从用户行为序列中识别商家间的替代、互补及溢出效应网络；二是反事实需求转移的量化估计，即当某个商家的价格或补贴发生变化时，如何准确估计其带来的流量、订单在整个局部市场商家列表中的转移分布，而非孤立地看待单个商家的指标变化。目标是构建一个能够理解并量化“商家生态”内动态因果关系的List-wise Causal Model。

延迟与长程因果效应建模

• 攻克干预动作的延迟效应表征与长程因果传导路径建模难题。建立能够量化短期冲击与长期均衡影响的动态因果模型，并基于对未来市场状态与用户行为的因果性预估，做出真正前瞻性的序列决策。

基于因果模型的强化学习决策

• 将因果效应预估作为奖励函数或环境模型的核心组成部分，运用强化学习（RL）技术进行序列化决策优化。重点研究如何学习干预的最佳顺序、时机与剂量，提高实时决策结果。

LLM + Causal融合推理

• 充分利用LLM的序列推理与语义理解能力，实时识别用户行为序列背后的潜在意图与决策逻辑，进行高价值特征挖掘，辅助因果图构建、混淆变量识别、反事实叙事生成，增强uplift模型能力。 我们将提供美团外卖海量、高维的交易与用户行为数据、真实的A/B实验与线上决策平台、充足的计算资源以及面向重大业务难题的极高研究自由度。目标是能直接驱动核心业务决策系统的突破性成果，同时能在顶级学术会议（如ICML, NeurIPS, KDD）发表paper。

超级学霸

• 专业成绩排名前1%。

学术达人

• 在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。

竞赛大神

• 在顶级大赛上获奖。

工程高手

• 有大厂实验室的实习经验，或有贡献突出的开源项目。