推荐算法实习生（杭州）

优缺点分析

角色解读

• 通过实习积累推荐系统实战经验，未来可向推荐算法工程师、高级算法研究员发展
• 掌握前沿技术（如LLM+Rec）后，可转向搜索、广告等相关AI方向
• 表现优异可转正，进入新浪微博核心算法团队，逐步成长为技术专家或团队负责人
• 参与微博亿级用户推荐模型优化，提升点击率、转化率等核心指标
• 跟进LLM、迁移学习等前沿技术，并在实际场景中落地应用
• 分析海量用户行为与博文数据，利用多模态和序列压缩技术挖掘用户兴趣
• 优化推荐排序机制，提升用户体验和活跃度
• 扎实的编程基础：熟悉Linux、C++、Java、Python，掌握数据结构和算法
• 机器学习与数据挖掘：熟悉大规模数据挖掘、机器学习算法及分布式计算框架
• 前沿技术敏感度：能快速阅读论文，跟进LLM、强化学习等方向
• 分析与协作能力：具备优秀的问题分析和解决能力，以及良好的沟通协作能力

申请策略

• 申请时关注新浪微博的招聘公众号或官网，及时投递并准备内推
• 了解微博信息流推荐业务，思考可能的优化方向，在面试中展现见解
• 突出相关项目经历：如推荐系统、点击率预估、用户画像等，强调成果指标（如提升X%）
• 展示编程能力：列出熟悉的语言和框架，附上GitHub或算法竞赛成绩
• 强调前沿技术探索：如有LLM、强化学习等相关经验或论文阅读总结，重点描述
• 体现数据分析能力：描述处理大规模数据的经验和特征工程方法
• 复习机器学习经典模型（LR、GBDT、DeepFM等）和推荐系统架构
• 熟悉至少一个深度学习框架（TensorFlow/PyTorch），并尝试实现一个推荐模型

面试指南

• 项目介绍采用STAR原则：背景、任务、行动、结果，突出技术细节和个人贡献
• 开放式问题先阐述基本概念，再结合实际场景给出多个解决方案，并分析优缺点
• 代码题先说明思路，注意边界条件和复杂度，保持代码清晰
• 请介绍一下你参与过的一个推荐系统项目，包括模型、特征和效果
• 如何解决推荐系统中的冷启动问题？
• 对LLM在推荐系统中的应用有什么看法？请举例说明
• 手写代码：实现一个简单的协同过滤或矩阵分解算法
• 如何评估推荐系统的效果？有哪些离线指标和在线指标？