新浪
广告算法实习生
广告算法实习生
发布于 大约 17 小时前实习/见习
北京市
无经验要求
实习生
仅现场办公
学历未注明
机器学习
数据挖掘
PyTorch
自然语言处理
TensorFlow
LLM微调
大语言模型
生成式推荐
AI 估算 · 4k–8k
北京互联网大厂实习生薪资约200-400元/天，月薪按20天计算，考虑新浪规模较大，取中位数6000元/月，无年终奖。
职位详情
关于这个职位
作为广告算法实习生，你将加入新浪微博的广告算法团队，利用大语言模型和机器学习技术优化广告投放效果
你将参与内容理解、特征工程、前沿技术追踪和算法优化，通过数据洞察和A/B实验评估推动产品迭代
这是一个接触前沿技术（LLM、生成式推荐）并积累实战经验的绝佳机会，适合对推荐/广告算法有浓厚兴趣的学生
最低要求
研究与求知欲：对技术研究有浓厚兴趣，能够在短时间内理解并吸收推荐/广告领域的前沿论文及开源资源，包括但不限于大语言模型、生成式架构
算法功底：具有机器学习、数据挖掘、自然语言处理（NLP）或信息检索等一个或多个领域的理论背景
编程技能：扎实的编程功底，精通 Python 等脚本语言
核心理解：熟悉常见机器学习算法与数据结构，能够发现并捕捉广告业务中的核心数据问题
团队协作：良好的沟通表达能力，具备主动沟通意识与团队合作精神
工作职责
内容理解与特征工程：通过数据挖掘与机器学习，利用大语言模型（LLM）对微博各类内容进行深度语义建模，建立更精准的用户意图与广告内容关联
前沿技术追踪：调研并追踪生成式推荐(Generative Recommendation)及大模型在广告业务的前沿发展，探索其在提升社交化广告投放效果中的应用潜力
广告算法优化：参与推动微博广告算法的优化迭代，辅助创意优化或用户冷启动问题，实现广告转化效果提升
数据洞察与改进：从结构化和非结构化数据中发现优化可能，通过模型分析和工程手段持续驱动产品进化
严谨实验评估：利用统计学方法合理分析 A/B 实验结果，确保对算法优化后的广告效果进行科学、严谨的评估
优先资格
大数据处理：熟悉海量数据处理，了解 Hadoop、Spark 等大数据分析系统
深度学习实战：深入应用过 TensorFlow、PyTorch 等框架，对 LLM 微调（SFT）、Prompt Tuning 或生成式模型在排序系统中的应用有相关项目经验者优先
竞赛与学术：发表过相关领域顶级论文，或在 Kaggle、ACM/ICPC、NOI 等高水平比赛中获奖
AI 洞察
优缺点分析
- 接触前沿技术：直接使用大语言模型和生成式推荐等最新技术，积累宝贵经验
- 大厂平台：新浪微博拥有海量社交数据，实习经历含金量高，对后续求职有加分
- 团队氛围：算法团队注重研究与实践结合，能学到从理论到落地的完整流程
- 技术门槛高：需要快速理解前沿论文并转化为工程实践，对学习能力和抗压能力要求高
- 工作强度可能较大：互联网大厂实习通常需要投入较多时间，需适应快节奏
- 竞争激烈：投递该岗位的优秀候选人较多，需在简历和面试中突出自己的算法与项目经验
- 适合对推荐系统和自然语言处理有浓厚兴趣、具备扎实算法基础、乐于挑战前沿技术的研究型或竞赛型学生
角色解读
- 实习表现优异可转正，成为新浪微博广告算法工程师，深入参与核心业务
- 在领域内积累大模型和推荐系统实战经验，后续可向广告算法、推荐算法、搜索算法等方向发展
- 若继续深造或跳槽，实习经历是进入互联网大厂算法岗的优质敲门砖
- 利用大语言模型对微博内容进行深度语义建模，挖掘用户意图与广告内容的关联
- 调研生成式推荐等前沿技术，探索其在社交广告中的应用
- 参与广告算法优化，解决创意优化和用户冷启动问题，提升转化效果
- 通过A/B实验和数据分析，科学评估算法改进效果并驱动产品迭代
- 扎实的机器学习、数据挖掘或NLP理论基础，熟悉常见算法和数据结构
- 精通Python编程，具备独立实现和调试算法的能力
- 了解推荐系统和广告业务，对大语言模型和生成式模型有热情和探索精神
- 加分项：熟悉TensorFlow/PyTorch、大数据处理工具（Hadoop/Spark），有竞赛或论文经历
申请策略
- 申请时附上个人技术博客或项目展示链接，体现主动学习和思考能力
- 在求职信中表达对微博广告业务的理解以及希望在实习中学习的方向，展现诚意
- 突出机器学习/NLP项目经历，尤其是使用大模型（如BERT、GPT）进行文本建模或特征工程的相关经验
- 强调Python编程能力，可附上GitHub链接展示代码质量
- 如果有Kaggle竞赛获奖、顶会论文或ACM/ICPC经历，务必显眼标注
- 体现对推荐系统和广告算法的了解，如课程项目、自学笔记或相关博客
- 提前熟悉LLM微调技术（如SFT、Prompt Tuning），尝试用开源模型完成一个小任务
- 系统复习机器学习和数据挖掘核心概念，掌握A/B测试的基本统计方法
面试指南
- 对于项目问题：采用STAR法则（情境-任务-行动-结果），突出你的贡献和量化结果
- 对于开放性问题：先给出自己的理解框架，再举例说明，最后总结挑战和可能的改进方向
- 对于技术问题：先简述基础概念，再结合实际场景分析优缺点，展示深度思考
- 请详细描述你做过的一个机器学习项目，包括数据预处理、模型选择、评估方法和最终效果
- 大语言模型在推荐系统中可以如何应用？请举例说明
- 如何评估广告推荐系统的效果？常见的评价指标有哪些？
- 你如何理解内容理解和特征工程？在微博广告场景下有什么挑战？
- 请解释A/B测试的原理，以及如何确保实验结果的可靠性
匹配度报告
62
综合匹配度
大厂实习、前沿技术栈、高成长性，但薪资有限且WLB一般。
适合人群
适合极度追求技术成长和前沿经验、能够接受较高工作强度和较少生活灵活性的学生。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利55
成长发展90
工作生活40
使命价值65
薪资福利匹配
55较低
作为实习生，薪资相对有限，但新浪作为大厂福利较为完善，但JD中未明确提及薪资福利，补偿性动机满足程度一般。
薪资信号未披露 (4K-8K/月)
成长发展匹配
90较高
该岗位深度涉及大语言模型、生成式推荐等前沿技术，能快速积累核心算法经验，成长空间极大，发展性动机满足程度很高。
技术前沿前沿/新兴技术
技术栈大语言模型、生成式推荐、LLM、自然语言处理、机器学习、数据挖掘
业务类型profit_center
工作生活匹配
40较低
实习生需要现场办公，工作地点在北京，未提及弹性工作，且互联网大厂实习生通常工作强度较大，生活化动机满足程度较低。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
65中等
广告行业是互联网核心变现领域，技术驱动创新，社会影响力中性；但职位明确指向提升广告效果，具有一定的商业价值。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs