字节跳动
推荐算法工程师（商城）-抖音电商
推荐算法工程师（商城）-抖音电商
发布于 大约 17 小时前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
本科
深度学习
PyTorch
TensorFlow
大模型
推荐算法
召回排序
用户行为建模
电商推荐
Llm4Rec
多场景学习
AI 估算 · 30k–60k
字节跳动核心电商推荐算法，技术难度高，市场竞争力强，结合大厂薪资水平估算
职位详情
关于这个职位
该职位是抖音电商的核心推荐算法岗位，负责商城、直播等场景的个性化推荐
你将运用深度学习和大模型技术，优化召回、排序等环节，处理海量用户数据，提升推荐效果，影响数亿用户的购物体验
适合追求技术深度与业务影响力的算法工程师
最低要求
具备扎实的算法和数据结构基础，熟悉C++/Python语言以及TensorFlow、PyTorch等开源工具
机器学习基础扎实，熟悉CF、Word2Vec、LR、DNN、Wide&Deep、Transformer等经典算法模型及其原理
对技术充满热情，持续关注行业内人工智能技术的发展趋势，善于理解和分析问题的本质，勇于应对挑战
具备良好的沟通能力与团队合作精神，拥有快速学习的能力，具备优秀、严谨、乐观的品质
工作职责
参与抖音商城商品及直播Feeds流等体裁的个性化推荐工作，业务涵盖商城猜你喜欢、特卖频道、大促会场等核心场景，覆盖抖音、抖音极速版、独立端抖音商城、今日头条等多端APP，日均为数亿用户提供服务
运用深度学习技术，持续优化推荐系统中的召回、粗排、精排、重混排及机制等方面，开展模型与算法创新，打造业界领先的推荐算法与系统
挖掘并分析海量用户数据，通过用户行为超长期序列建模、全域学习、多场景迁移学习、多场景多任务学习、跨域多模态信息学习等技术，提升算法效率
研究并改进商城新品冷启动、以价换量、推荐与广告价值融合等机制，构建良性的系统循环，优化货架场电商生态
探索大模型技术在推荐系统中的应用，在推荐领域研究支持面向工业级推荐场景的“Scaling Law”以及推动生成式推荐、LLM4Rec的落地
优先资格
加分项：1、熟悉大规模机器学习/深度学习算法，具有搜索、推荐、广告等相关领域经验
在KDD、NeurIPS、WWW、SIGIR、WSDM、ICML、IJCAI、AAAI、RecSys等会议发表过论文，或有数据挖掘/机器学习相关竞赛经历
AI 洞察
优缺点分析
优点
- 团队技术氛围浓厚，鼓励创新，有发表顶会论文和参与前沿研究的机会
- 薪资待遇优厚，年终奖和股票激励可观，职业发展空间大
- 技术迭代快，需要持续学习新模型和框架，保持竞争力
- 适合具备扎实算法基础、对推荐系统有强烈兴趣、能承受高压并追求技术深度成长的工程师
缺点 / 挑战
- 身处字节跳动核心电商业务，技术挑战大，能接触海量数据和复杂场景，成长迅速
- 业务压力大，推荐指标直接影响电商GMV，工作强度较高，可能面临加班
- 多团队协作复杂，沟通成本较高，需要较强的跨团队协调能力
角色解读
- 技术路线：从推荐算法工程师到资深算法专家，深入大规模推荐系统架构与优化
- 管理路线：可向技术Leader或团队管理方向发展，带领算法团队
- 跨界发展：积累电商推荐经验后，可转向搜索、广告、大模型等相邻领域
- 负责抖音商城商品及直播Feeds流的个性化推荐算法设计与优化，覆盖多个核心场景和亿级用户
- 运用深度学习技术改进召回、排序、重混排等模块，推动模型创新
- 分析海量用户行为数据，通过长期序列建模、多场景迁移学习等技术提升推荐效率
- 探索大模型在推荐系统中的应用，推动生成式推荐和LLM4Rec落地
- 扎实的算法与数据结构基础，熟练使用C++/Python及TensorFlow/PyTorch等框架
- 深入理解机器学习经典模型（CF、Word2Vec、LR、DNN、Wide&Deep、Transformer等）
- 具备大规模推荐系统或搜索广告领域的实战经验
- 良好的沟通协作能力和快速学习能力，对前沿技术保持热情
申请策略
- 准备一个完整的推荐项目案例，从问题定义、数据、模型选择到上线效果，展现系统性思维
- 了解抖音电商的业务逻辑和推荐场景，在面试中体现对商业价值的理解
- 突出推荐/搜索/广告相关的项目经验，量化效果指标（如CTR、转化率提升等）
- 展示深度学习模型应用案例，尤其是大规模分布式训练或在线部署经验
- 如有顶会论文或竞赛获奖，务必单独列出
- 强调编程能力，尤其是C++/Python及TensorFlow/PyTorch的熟练度
- 深入理解推荐系统常用模型（DeepFM、DIN、DIEN等）及其原理
- 学习大模型（如LLaMA、GPT）在推荐中的应用，熟悉LLM4Rec相关技术
面试指南
- 项目介绍类：使用STAR法则（情境-任务-行动-结果），突出个人贡献和量化收益
- 技术原理类：先解释核心概念，再举例说明应用场景，最后讨论优缺点
- 开放性问题：从业务和技术两个角度分析，提出可行方案并权衡
- 请介绍一个你参与过的推荐系统项目，包括具体问题和优化方案
- 如何解决推荐系统中的冷启动问题？结合抖音商城场景
- 解释一下Wide&Deep模型的结构和适用场景
- 在大规模推荐系统中，如何优化模型训练和推理性能？
- 你对LLM在推荐系统中的应用有何看法？列举一个可能的落地方向
匹配度报告
70
综合匹配度
字节电商核心推荐算法岗，前沿技术栈，高薪高压，发展空间大。
适合人群
适合追求技术成长和薪酬回报，能接受较高工作强度的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活40
使命价值70
薪资福利匹配
80较高
该职位薪资待遇优厚，有年终奖和股票，但面试未明确具体数字，属于市场偏高水准。
薪资信号偏高 (30K-60K/月)
成长发展匹配
90较高
技术前沿（深度学习、大模型），项目挑战大，有论文和竞赛加分项，成长空间巨大。
技术前沿前沿/新兴技术
技术栈深度学习、Transformer、大模型、LLM4Rec、Scaling Law、生成式推荐
成长机会持续关注行业趋势、勇于应对挑战、快速学习的能力
业务类型profit_center
工作生活匹配
40较低
仅现场办公，北京核心地段，且未提及WLB，互联网大厂通常工作强度大。
工作模式仅现场办公
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
70中等
电商推荐业务直接影响用户体验和商业价值，行业高速增长，社会影响中性偏正面。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs