基础算法工程师

优缺点分析

角色解读

• 成长为算法专家，深入钻研因果推断、生成式推荐等前沿技术
• 向技术负责人方向发展，主导增长算法系统架构和团队规划
• 横向拓展到滴滴其他业务线的核心算法岗位，或向AI产品方向转型
• 构建集团级和垂类用户画像，利用机器学习模型挖掘用户特征，为各业务线提供精准营销支持
• 开发圈人系统和人群洞察平台，沉淀画像底层能力，提升业务投放效率
• 运用因果推断优化补贴策略，提高预算回报率
• 探索生成式推荐技术，统一生成高潜人群，降低拉新成本
• 扎实的机器学习基础，熟悉分类、排序等常用算法（如XGBoost、W&D、DeepFM等）
• 掌握因果推断方法，具备实际应用经验者优先
• 了解生成式推荐前沿方案（如TIGER、HSTU、OneRec）并有实践意愿
• 良好的编程能力和工程落地能力，熟悉大数据处理框架

申请策略

• 了解滴滴的用户增长业务，思考如何用算法提升拉新和留存效率，面试时展现业务敏感度
• 准备一个完整的项目案例，从问题定义、方案设计到上线效果，展示闭环思维
• 突出机器学习项目经验，特别是分类、排序或推荐相关项目，量化业务效果
• 如果有因果推断或生成式推荐相关实践（如论文、开源项目、实习），重点强调
• 展示工程能力，如大数据处理框架（Spark、Flink）和系统搭建经验
• 强调业务理解和沟通协作案例，体现团队合作和推动落地的能力
• 系统学习因果推断理论（如DAG、IV、Diff-in-Diff）和常用工具（EconML、DoWhy）
• 关注生成式推荐最新论文，尝试复现TIGER、HSTU等模型

面试指南

• 结构化表达：问题背景->方案设计->关键技术->结果量化->反思改进
• 展示技术深度：不仅讲用了什么，还要讲为什么选它，有无对比实验
• 突出业务结果：用数据说话，说明算法带来的实际提升（如转化率、ROI）
• 请介绍一个你使用机器学习解决实际问题的项目，包括特征工程、模型选择和效果评估
• 因果推断在补贴中的应用？如何处理混淆变量和选择偏差？
• 生成式推荐与传统推荐的异同？你如何理解TIGER或HSTU的核心思想？
• 如何设计一个用户画像系统？从数据采集到标签生成再到服务接口
• 结合滴滴业务，你如何提升新用户转化率？给出算法方案