字节跳动
广告算法专家（Ranking方向）-内容消费
广告算法专家（Ranking方向）-内容消费
发布于 大约 17 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
深度学习
PyTorch
TensorFlow
LLM
推荐系统
广告排序
AI 估算 · 35k–55k
字节跳动算法专家级别，北京互联网大厂薪资水平，结合技术难度和市场竞争力，估算月薪3.5-5.5万。
职位详情
关于这个职位
该职位是字节跳动广告算法专家（Ranking方向），主要负责广告排序算法的优化，提升变现效率
你将参与广告系统全链路（定向/召回/粗排/精排/出价等）的模型与策略优化，并探索推荐大模型和生成式AI技术在广告场景的应用
适合有广告/推荐/搜索相关经验、对大规模机器学习系统感兴趣的候选人
最低要求
计算机或相关专业本科及以上学历，0-5年以上广告/推荐/搜索召回排序等相关工作经验
扎实的数据结构和算法功底，编程能力较强，熟练使用C/C++/Python/Java/Golang等编程语言，优先：有海量数据处理和分布式计算开发经验，熟悉Hadoop、Spark框架
具备传统机器学习、深度学习相关知识背景，优先：发表过KDD、AAAI、CIKM、WWW、RecSys、NeurIPS、ACL、EMNLP等顶会论文，熟悉TensorFlow/PyTorch/Caffe/MXNet框架和原理
工作态度积极主动，具备强烈的主人翁意识和良好的团队协作精神
具备良好的逻辑思维能力，注重数据分析，能够从海量数据中发现有价值的规律
具备强烈的业务导向意识，以技术优化支撑业务目标达成
工作职责
参与/负责字节跳动中国区行业广告排序算法优化，提升系统变现效率，优化客户体验
End-to-End的参与/负责广告系统全链路各个模块的优化，包括定向/召回/粗排/精排/出价等，从模型、策略和机制等角度全面提升广告系统变现效率
参与/负责商业化场景下推荐大模型的算法优化，结合生成式AI技术，持续改进建模方法、模型结构、特征与样本策略，将LLM推理能力融入排序模型，提升广告变现效率
行业广告端到端大模型优化与技术探索：
）参与/负责行业广告端到端大模型推荐方向的优化工作
）验证推荐大模型的Scaling Law，推动LLM技术在搜广推系统的落地，应对大模型训练与部署中的工程、算法挑战
广告场景生成式模型技术探索与性能优化：探索广告场景下的Tokenize方案和生成式架构，推动生成式模型对传统离散模型的迭代升级，并通过算法与工程的深度融合，极致优化推荐大模型的训练与推理性能
优先资格
有海量数据处理和分布式计算开发经验，熟悉Hadoop、Spark框架
发表过KDD、AAAI、CIKM、WWW、RecSys、NeurIPS、ACL、EMNLP等顶会论文
熟悉TensorFlow/PyTorch/Caffe/MXNet框架和原理
AI 洞察
优缺点分析
优点
- 广告算法是公司核心变现业务，技术投入大，薪酬和奖金优厚
- 接触最前沿的生成式AI和大模型技术，技术积累价值高
- 团队技术氛围浓厚，有机会与顶级论文作者合作，提升学术影响力
- 工作强度较大，可能需要应对紧急业务需求，加班不可避免
- 技术迭代迅速，需要持续学习新知识，适应变化
缺点 / 挑战
- 字节跳动作为头部互联网公司，平台大、数据海量，技术挑战高，个人成长快
- 广告业务压力大，对算法效果和变现效率要求极高
- 适合有扎实算法基础、热爱技术挑战、希望在大型广告系统上深耕的工程师，尤其对生成式AI和大模型在推荐中的应用感兴趣的人
角色解读
- 可发展为广告算法领域的专家，深入多模态、大模型等前沿方向
- 可晋升为技术Leader，带领团队负责更复杂的广告系统优化
- 可横向拓展至推荐、搜索等相邻领域，或转向AI产品/架构岗位
- 负责广告排序算法的优化，提升系统变现效率，涉及定向、召回、粗排、精排、出价等全链路模块
- 参与推荐大模型的算法优化，结合生成式AI技术，改进建模方法和模型结构
- 探索广告场景下的生成式模型，推动传统离散模型的迭代升级
- 端到端参与大模型的训练与部署，验证Scaling Law，解决工程和算法挑战
- 扎实的编程能力，熟练使用C++/Python等语言，熟悉Hadoop/Spark等大数据工具
- 深厚的机器学习/深度学习背景，熟悉TensorFlow/PyTorch等框架
- 具备广告/推荐/搜索系统的实际经验，理解排序和召回算法
- 业务导向思维，能从海量数据中发现规律并优化目标
申请策略
- 关注字节跳动广告技术博客或开源项目，了解团队技术方向
- 面试时多准备项目细节和量化成果，展现数据驱动思维
- 突出广告/推荐/搜索领域的项目经验，尤其是排序、召回或出价相关优化
- 强调编程能力和大数据处理经验，列出使用的框架和成果
- 如果有顶会论文，一定要列出，尤其是与推荐、机器学习相关的
- 展示业务导向思维，描述技术优化如何提升变现效率或用户体验
- 如果对LLM和生成式模型不熟悉，建议先了解Transformer、GPT、Diffusion等基础
- 练习使用TensorFlow/PyTorch进行分布式训练，熟悉模型部署流程
面试指南
- 回答项目经验时，使用STAR法则：情景、任务、行动、结果，突出技术细节和量化成果
- 对开放性问题，先阐述核心目标，再分点提出方案，最后总结优劣
- 可结合业务背景给出多方案对比
- 对于算法题，先明确输入输出，讨论边界条件，再给出实现代码，并分析时间空间复杂度
- 请详细描述你参与过的广告排序算法优化项目，包括技术方案、遇到的问题和效果提升
- 在广告系统中，如何平衡变现效率和用户体验？请给出具体策略
- 如何设计一个大规模推荐系统中的召回和排序模型？请从特征、模型结构、样本等方面说明
- 你对大模型在推荐系统中的应用有何看法？请谈谈LLM在广告排序中的潜在作用
匹配度报告
66
综合匹配度
大厂核心变现业务，前沿技术栈，高薪资高成长，但工作强度大、WLB较差。
适合人群
最适合追求前沿技术成长和职业发展的求职者，愿意为高薪和技术挑战投入时间者。
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95
工作生活40
使命价值50
薪资福利匹配
80较高
字节跳动薪资在行业内属于领先水平，但未在JD中明确福利，整体补偿性较好。
薪资信号未披露（AI估算：35K-55K/月）
成长发展匹配
95较高
职位涉及LLM、生成式AI等前沿技术，成长空间极大，发展性动机得到高度满足。
技术前沿前沿/新兴技术
技术栈LLM、生成式AI、广告排序、推荐系统、深度学习
业务类型profit_center
工作生活匹配
40较低
北京坐班制，未提及弹性工作或WLB，互联网公司普遍存在加班文化，生活化动机满足度较低。
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
50较低
广告变现业务属于商业驱动，社会意义不明显，但技术影响大，意义感动机满足中等。
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