58同城
风控算法工程师(J33672)
风控算法工程师(J33672)
发布于 2 天前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
机器学习
TensorFlow
特征工程
反欺诈
风控
图关系
行为序列挖掘
AI 估算 · 25k–45k
风控算法是核心岗位，技术要求高，北京互联网薪资水平较高，3年以上经验有竞争力。
职位详情
关于这个职位
该职位是58同城的风控算法工程师，主要负责集团各业务场景的风控治理，包括欺诈、作弊、生态治理等
你将使用TensorFlow、Python等工具开发部署风控模型，进行反欺诈团伙挖掘和特征研发，优化现有模型并建设风控体系
适合有3年以上机器学习经验，熟悉反欺诈和图关系挖掘的算法工程师
最低要求
计算机、数学统计等专业本科及以上学历，研究生学历优先
熟悉linux环境，熟练使用sql进行数据分析和处理，精通python开发、tensorflow开发
年以上机器学习相关工作经验，扎实的算法基础和工程能力
在用户画像、行为序列挖掘、图关系、反欺诈、反作弊等一个或多个领域有1年以上相关经验，熟悉各类算法原理和性能调优，有实际项目落地
良好的沟通能力和团队协作能力，数据驱动，有较强的责任心和进取心
优秀的学习能力，能根据工作需要灵活调整自己的方式方法
工作职责
负责集团各业务场景中风控治理的算法研究，包括但不限于欺诈治理、作弊治理、生态治理等
从复杂的业务流程中发现问题并进行问题抽象，设计高质量的应对方案，保证方案落地
使用tensorflow、python、机器学习平台等各类工具开发并部署风控算法模型，进行反欺诈团伙挖掘、识别各类欺诈行为，搭建欺诈服务监控系统
开展集团内各类数据的特征研发工作，形成知识库
进行行为序列特征、图关系特征、多模态特征的开发和验证
优化现有模型效果，并对模型架构进行系统化升级，建设自上而下的风控治理体系，丰富风控治理层次，推动应用落地
紧跟行业的最新研究进展，关注前沿技术动态，进行相应的工程开发和业务落地
关注大模型、agent的发展趋势以及对安全的影响及应对
AI 洞察
优缺点分析
优点
- 风控是互联网核心领域，58同城业务场景丰富，能接触到大量真实数据，提升模型落地能力
- 技术栈前沿，涉及图神经网络、多模态、大模型等，有助于个人技术成长和竞争力
- 公司为上市巨头，平台稳定，薪资福利有保障，且风控岗位价值高，受重视
- 涉及多业务线协调，沟通复杂度高，需要较强的跨团队协作能力
- 算法效果直接影响业务安全，责任重，可能需要处理紧急线上问题
- 适合有较强算法基础，对风控领域感兴趣，喜欢解决对抗性问题，且具备数据驱动思维和良好沟通能力的求职者
缺点 / 挑战
- 反欺诈领域对抗性强，需要持续跟进黑产手段，模型迭代压力较大
角色解读
- 在风控算法方向深耕，成为领域专家，负责更复杂的治理挑战，如团伙欺诈、多场景对抗
- 向技术管理方向发展，带领团队建设风控体系，晋升为技术Leader或架构师
- 横向拓展至数据科学其他方向，如推荐、搜索等，或转向AI安全、大模型应用等前沿领域
- 负责58同城各业务线的风控算法研发，包括欺诈、作弊和生态治理，从复杂业务中抽象问题并设计解决方案
- 使用TensorFlow、Python构建并部署风控模型，进行反欺诈团伙挖掘和欺诈行为识别，搭建监控系统
- 开展特征工程，开发行为序列、图关系、多模态特征，并优化现有模型架构，推动风控体系升级
- 跟踪前沿技术如大模型、Agent，探索其在安全风控中的应用
- 扎实的机器学习基础和工程能力，3年以上经验，精通Python和TensorFlow
- 熟悉风控领域，如反欺诈、反作弊、用户画像、图关系挖掘等，有实际落地项目
- 具备数据分析和特征工程能力，熟练使用SQL和Linux环境
- 良好的沟通协作能力和学习能力，能根据业务灵活调整方法
申请策略
- 提前了解58同城的主要业务场景（招聘、房产、二手车等），思考对应的风控挑战
- 关注公司文化和价值观，面试时展示对业务的理解和解决问题的热情
- 突出机器学习项目经验，尤其是反欺诈、图关系或序列挖掘相关的落地案例，量化效果指标
- 强调Python和TensorFlow的实际应用，包括模型部署和调优经验
- 展示特征工程能力，如行为特征、图特征的开发细节，以及数据分析和SQL技能
- 如果有风控相关论文、竞赛或开源项目，务必提及
- 补充图神经网络和序列模型知识（如GNN、LSTM），熟悉图数据库和工具
- 学习大模型和Agent技术，了解其在风控中的应用场景
面试指南
- 对于项目描述题，采用STAR法则：情境、任务、行动、结果，突出你的贡献和量化成果
- 对于算法原理题，先给出定义，然后对比不同方法的优缺点，最后结合业务场景说明选择依据
- 对于开放性问题，先表明基本观点，再列出论据，注意逻辑清晰且紧密联系实际
- 请详细描述一个你参与过的反欺诈项目，包括问题定义、特征设计、模型选择和效果评估
- 如何识别团伙欺诈？你用过哪些图算法？请举例说明
- 在风控模型中，如何处理样本不平衡问题？你有哪些实践经验？
- 当模型上线后，如何监控效果并快速迭代？请描述你的思路
- 你了解大模型在风控中的应用吗？请谈谈你的看法
匹配度报告
65
综合匹配度
大厂核心风控算法岗，技术前沿，薪资中上，但WLB一般。
适合人群
适合追求技术成长和挑战，愿意承担风控对抗压力，对WLB要求不高的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展85
工作生活45
使命价值60
薪资福利匹配
70中等
上市大厂，薪资水平有竞争力，但JD未透露具体福利，且明确写有'薪资面议'倾向，补偿性满足中等偏上。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
85较高
技术前沿（大模型、图关系），业务场景丰富，有明确的技能成长空间，但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、机器学习、图关系、大模型、Agent
业务类型profit_center
工作生活匹配
45较低
JD未提远程或弹性工作，仅说明北京现场办公，且风控岗位可能面临紧急处理，WLB一般。
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
60中等
风控治理对社会有正向意义（减少欺诈），但58同城作为分类信息平台，使命信号不突出，行业稳定。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs