腾讯音乐
QQ音乐推荐算法工程师
QQ音乐推荐算法工程师
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
C++/Go
Gnn
Llm
Pytorch
Tensorflow
推荐系统
机器学习
深度学习
音频处理
值不值得投
75综合评分
综合评分 75
前沿技术栈、大平台高影响力业务、技术成长空间大，但工作生活平衡信息不明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
4万
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
34 个在招
市场机会
选择面较广
深圳 · 机器学习工程 · 75 个在招
职位详情
关于这个职位
该职位是QQ音乐的推荐算法工程师，负责设计、实现和优化音乐推荐系统
工作核心围绕用户建模、音频内容理解、前沿技术落地（如大模型、生成式推荐）以及推荐系统工程优化，旨在通过算法提升用户收听体验、留存及付费转化等关键业务指标
最低要求
硕士及以上学历，计算机、人工智能、统计学、应用数学、电子信息、音乐声学等相关专业
有计算机视觉 / NLP / 音频算法背景优先
扎实机器学习、深度学习理论功底，熟悉多目标建模（MMOE）、深度排序、向量召回等主流推荐技术
熟悉LLM4Rec、生成式推荐优先
扎实工程开发能力，精通 Python，熟练使用 C++/Go 其中至少一门高性能开发语言
熟练使用TensorFlow/PyTorch 搭建训练模型
熟悉大数据分布式计算生态（Spark/Hive/Flink），具备亿级样本分布式训练、实时特征工程、ANN向量检索落地实战经验
熟悉推荐系统完整工程链路，有音乐 / 长音频 / 流媒体推荐落地经验者优先
了解音频特征提取、音乐标签体系、声学建模加分
具备严谨的实验思维，熟练设计、复盘 AB 实验，能够从数据角度归因算法收益
具备良好沟通协作、逻辑表达能力
音乐爱好者、熟悉流媒体音乐产品生态优先
工作职责
负责腾讯音乐集团相关产品推荐算法的设计实现与优化
搭建并迭代音乐垂类用户建模、音频多模态内容理解体系，基于用户行为、音频特征、词曲标签、歌手知识图谱开展深度数据挖掘，设计适配音乐场景的匹配、兴趣演化、冷启动策略
跟进推荐领域前沿技术，落地 LLM 大模型、生成式推荐、向量检索、GNN、多任务学习等新技术，融合大模型语义能力优化音乐语义召回、个性化歌单生成、长尾歌曲分发能力
完善大规模分布式训练 / 推理框架、特征平台、实验基建，优化推荐系统性能、延迟与资源成本，保障亿级用户高并发场景稳定运行
通过数据分析、AB 实验定位业务与算法短板，持续迭代模型与策略，平衡推荐精准度、多样性、新颖度、公平性，最终提升收听时长、留存、付费转化等核心业务指标
联动产品、工程、数据团队对齐业务目标，沉淀算法方案、评测体系，推动技术方案标准化复用
优先资格
有计算机视觉 / NLP / 音频算法背景
熟悉LLM4Rec、生成式推荐
有音乐 / 长音频 / 流媒体推荐落地经验
了解音频特征提取、音乐标签体系、声学建模
音乐爱好者、熟悉流媒体音乐产品生态
AI 洞察
优缺点分析
优点
- 技术栈前沿，能直接接触和应用LLM、生成式推荐等最新技术，对个人技术视野和竞争力提升巨大
- 业务影响力直接且可见，优化算法能直接体现在用户收听数据和业务指标上，成就感强
- 平台资源丰富，依托超大型企业，有大规模数据、算力和跨团队协作支持
- 在亿级用户规模下，任何策略改动都需极度严谨，平衡精准度、多样性、公平性等多维度目标，责任重大
- 适合热爱音乐、对推荐系统技术有浓厚兴趣、具备扎实算法与工程基础、并追求技术深度和实际业务影响力的求职者
缺点 / 挑战
- 技术挑战高，需要同时兼顾算法效果、工程性能与业务目标，对综合能力要求严格
角色解读
- 在推荐算法领域深耕，成为处理音乐垂类复杂场景的技术专家或架构师
- 横向拓展至更广泛的音频AI或多模态内容理解领域，或纵向深入大模型与推荐系统的结合
- 具备一定业务影响力后，可转向技术管理岗位，负责推荐算法团队或相关技术方向
- 设计和优化QQ音乐的推荐算法，包括用户建模、内容理解和策略设计，直接影响亿级用户的音乐发现体验
- 落地前沿技术，如将大语言模型应用于音乐语义召回和个性化歌单生成，推动推荐系统的创新
- 负责推荐系统的工程实现与性能优化，保障高并发场景下的稳定性和效率，并通过AB实验驱动持续迭代
- 精通推荐系统核心算法，如排序、召回、多目标建模（MMOE），并熟悉LLM、GNN等前沿技术在推荐领域的应用
- 扎实的工程实现能力，需精通Python，并熟练使用C++/Go及TensorFlow/PyTorch，能处理大规模分布式计算
- 具备数据驱动和实验科学思维，能通过数据分析和AB实验验证算法效果，并具备良好的跨团队协作能力
申请策略
- 研究QQ音乐的产品特点和推荐策略，思考如何在简历或面试中展现你对音乐垂类推荐的独特理解
- 准备能体现你严谨实验思维和数据分析能力的案例，说明你如何通过AB实验发现问题并归因
- 重点突出在推荐系统或相关领域的项目经验，尤其是涉及用户建模、内容理解、大规模数据处理或算法优化的具体案例和成果（如指标提升百分比）
- 清晰展示对LLM、GNN、生成式推荐等前沿技术的理解和实践经验（即使是在学习项目中）
- 强调工程实现能力，如使用Spark/Flink处理大数据、优化模型推理性能、构建特征平台等实战经历
- 系统性地复习和深化推荐系统核心算法（排序、召回、多目标）的原理，并跟踪业界最新论文和实践（特别是音乐推荐领域）
- 提升大规模机器学习系统的工程实践能力，例如通过开源项目熟悉TensorFlow/PyTorch分布式训练，或学习使用向量检索库（如Faiss）
面试指南
- 使用STAR法则（情境、任务、行动、结果）清晰地结构化你的项目经历，确保技术细节和业务结果都得到体现
- 回答策略或设计类问题时，先阐述思考框架（如考虑哪些因素、解决什么问题），再给出具体方案，并解释理由
- 对于技术前沿问题，诚实说明你的了解程度，并基于已知原理进行合理推断和比较
- 请介绍一个你过去做过的推荐系统项目，重点说明你的技术选型、模型设计以及如何评估和优化效果
- 如何为一个新上线的音乐内容（如一首新歌）设计冷启动策略？
- 如果让你优化QQ音乐的每日推荐歌单，你会考虑哪些目标（如点击率、完播率、多样性），如何建模和平衡这些目标？
- 你了解的有哪些将大语言模型应用于推荐系统的技术路径？各有什么优缺点？
- 描述一次你通过数据分析发现算法瓶颈，并设计AB实验进行优化的经历
职位点评
薪资福利75
成长发展85
工作生活60
使命价值75
薪资福利
75中等
该职位为上市超大型企业技术岗，薪资具有市场竞争力，福利体系健全，能提供较好的经济保障和稳定性。
薪资信号市场水准 (3千–5万/月)
福利待遇五险一金
成长发展
85较高
该职位涉及LLM、GNN等前沿技术在音乐推荐场景的落地，技术挑战高，成长空间大，符合追求技术深度的动机。
技术前沿前沿/新兴技术
技术栈LLM、GNN、生成式推荐、向量检索、TensorFlow、PyTorch、Spark
业务类型profit_center
工作生活
60中等
JD未明确提及办公模式和工作生活平衡信息，基于岗位性质推断可能以现场办公为主，生活便利性取决于具体工作地点。
工作模式未明确
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
75中等
服务于数亿用户的音乐平台，工作能直接影响大众的音乐消费体验，具有正向的社会价值和文化影响力。
行业发展稳定成熟行业
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