字节跳动
算法工程师-广告主风控
算法工程师-广告主风控
发布于 大约 9 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
深度学习
NLP
PyTorch
特征工程
异常检测
图算法
大模型
GNN
风控
AI 估算 · 20k–40k
大厂核心算法岗，技术栈前沿，市场竞争力强，综合职级和城市薪资水平估算。
职位详情
关于这个职位
作为广告主风控算法工程师，你将负责搭建和优化账户风险识别模型，覆盖超投、盗用、黑产攻击等核心风控场景
运用NLP、图算法和大模型等前沿技术，从海量数据中挖掘异常特征，参与从数据清洗到线上部署的全链路项目
适合对机器学习落地有热情、喜欢解决复杂安全问题的技术人才
最低要求
计算机、数学、统计学等相关专业本科及以上，具备扎实的编程基础和数据结构算法功底，对解决复杂技术问题有热情，对待数据严谨细致（1-3年算法经验或优秀应届生）
核心技术栈（满足以下至少一项）：熟悉深度学习技术栈（BERT、文本分类、命名实体识别、语义匹配），有文本挖掘或内容理解项目经验
熟悉图算法（Graph Embedding、GNN、社区发现、异常检测），能使用DGL/PyG等工具进行图神经网络建模
了解大模型应用（Prompt Engineering、SFT微调、RAG构建、大模型后训练），有使用LLM解决实际业务问题的经验
工程能力：熟悉Hive、Spark等大数据处理工具，熟悉TensorFlow/PyTorch等深度学习框架，具备较强的数据分析与实验设计能力
软性能力：优秀的学习能力与逻辑思维能力，能快速理解广告业务场景
具备良好的团队协作精神，善于沟通，工作积极主动
工作职责
参与广告主账户风险识别体系的搭建与优化，负责具体子模块的建模工作，覆盖超投、盗用、低质账户识别、账号买卖、账号异常检测、营销反作弊、广告主投放风险等核心风控场景
运用NLP、图算法、大模型等前沿技术，处理广告主文本信息（如资质描述、推广内容）、挖掘账户关联关系（如团伙作案网络）、构建异常检测模型，提升风险识别准确率与召回率
深度参与风控模型从0到1的全链路落地，包括数据清洗、特征工程（时序特征、图特征、文本Embedding）、模型训练（深度学习、大模型后训练）、效果评估及线上部署监控
优先资格
有广告风控、金融风控、账号安全、反作弊等相关实习或项目经验，熟悉超投、盗刷、薅羊毛等黑产攻防手段
在Kaggle、天池等数据竞赛中获得过奖项，或有顶会论文（CCF-A/B类）、高质量技术博客/开源项目贡献
具备多模态建模经验（融合文本、图结构、时序行为数据）
AI 洞察
优缺点分析
优点
- 使用NLP、图、大模型等前沿技术，技能积累含金量高
- 字节跳动平台大，数据丰富，项目影响力广，简历背书强
- 广告风控是业务核心，模型效果直接影响营收，成就感强
- 对全链路能力要求高，需要同时掌握数据工程、算法和工程部署
- 黑产技术不断演进，需要持续学习最新攻防手段
缺点 / 挑战
- 风控场景复杂且对抗性强，模型需要持续迭代，工作压力较大
- 适合对机器学习落地有热情、喜欢挑战复杂安全问题、追求技术深度和业务结合的技术型求职者
角色解读
- 在字节体系内可向高级算法专家或风控技术Leader方向发展
- 积累风控领域稀缺经验，未来可跳槽至金融、安全等高价值行业
- 大模型和图算法方向与AI前沿紧密相关，技术壁垒高，发展空间大
- 负责广告主风控模型的搭建与优化，覆盖账户盗用、低质识别、营销反作弊等场景
- 运用NLP、图算法和大模型技术处理文本信息、挖掘关联关系、构建异常检测模型
- 参与从数据清洗、特征工程到模型训练、部署监控的全链路项目落地
- 扎实的深度学习基础，熟悉BERT、文本分类、语义匹配等NLP技术
- 掌握图算法（GNN、社区发现）或大模型应用（Prompt、SFT、RAG）至少一项
- 具备大数据处理能力（Hive、Spark）和深度学习框架使用经验（PyTorch/TensorFlow）
申请策略
- 在求职信中体现对广告风控场景的理解，展示你如何利用技术解决具体问题
- 提前了解字节跳动风控体系的大致架构，面试中能提出针对性思考
- 突出风控或反作弊相关项目经验，详细描述模型设计、特征工程和效果指标
- 强调NLP/图算法/大模型中的具体技术栈（如BERT微调、GraphSAGE、Prompt Engineering）
- 如有竞赛获奖、顶会论文或高质量开源项目，务必单独列出
- 展示大数据处理能力，如使用Hive/Spark处理海量数据的经历
- 补充风控业务知识，了解常见黑产手法（超投、盗刷、薅羊毛）
- 强化大模型应用能力，熟悉SFT微调、RAG构建流程
面试指南
- 采用STAR法则：说明场景（S）、任务（T）、行动（A）、结果（R），重点突出技术选型和量化指标
- 对于开放性问题，先定义问题边界，再拆解为多个子问题，逐步给出方案
- 如何设计一个模型来检测广告主的异常投放行为？
- 请讲讲你使用图神经网络解决关联关系挖掘的案例
- 大模型在风控场景中可以用在哪些环节？如何实现？
- 如何处理风控模型中的样本不平衡问题？
- 从数据到上线，你如何保证风控模型的稳定性和时效性？
- 准备1-2个完整的风控或异常检测项目案例，包括背景、特征、模型、效果
匹配度报告
70
综合匹配度
大厂核心算法岗，前沿技术栈，高薪资高成长，但WLB一般。
适合人群
适合追求技术深度和职业成长，能接受现场办公和一定工作强度的求职者。
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85
工作生活40
使命价值75
薪资福利匹配
80较高
字节跳动提供具有竞争力的薪酬和福利，虽未在JD中明确数字，但大厂算法岗薪资水平处于市场高位，能较好满足补偿性动机。
薪资信号未披露（AI估算：20K-40K/月）
成长发展匹配
85较高
该岗位使用NLP、图算法、大模型等前沿技术，涉及全链路项目落地，技术成长空间大，但JD中未明确提及晋升通道。
技术前沿前沿/新兴技术
技术栈NLP、图算法、大模型、深度学习、BERT、GNN、PyTorch、Hive、Spark
业务类型profit_center
工作生活匹配
40较低
上海办公室现场办公，未提及远程或弹性工时，互联网大厂普遍存在加班文化，JD中无WLB相关表述，生活化动机满足有限。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
75中等
广告风控有助于打击黑产、维护公平广告生态，社会价值正向；行业处于高速增长，技术革新快，能提供一定使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs