网易云音乐
广告算法工程师（网易云音乐）
广告算法工程师（网易云音乐）
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公推荐系统
推荐系统
Pytorch
Tensorflow
多模态
大模型
广告算法
推荐系统
深度学习
计算广告
值不值得投
80综合评分
综合评分 80
核心商业化算法岗，技术栈前沿、成长空间大、薪资竞争力强，但需承担较高的业务指标压力。
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
3.5万
比推荐系统中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
49 个在招
市场机会
选择适中
杭州 · 推荐系统 · 25 个在招
职位详情
关于这个职位
该职位负责网易云音乐广告分发体系的核心算法优化，包括召回、排序、智能出价及流量分配等链路，致力于提升商业化变现效率与用户体验
同时探索下一代广告模型范式及多模态大模型在广告素材理解中的应用，突破系统效果上限
最低要求
计算机、信息、数学相关专业硕士及以上学历
熟悉常见机器学习算法原理，对计算广告、推荐系统、深度学习、强化学习、大模型技术、NLP等任一子方向有深入研究
熟练掌握PyTorch、TensorFlow等深度学习框架
扎实的编程理论基础，熟悉Java/C++/Python等至少一门开发语言
具备AI Coding能力，能熟练使用Claude Code/Codex等工具，快速将想法落地
优秀的数据分析与问题发现能力，熟练使用Spark、Hive等大数据工具
善于洞察、乐于挑战，具备良好的沟通协作能力
工作职责
参与网易云音乐广告分发体系建设，负责广告召回、排序（LTR/pCTR/pCVR/PLTV）与智能出价等核心链路的算法优化，依托行业领先的机器学习平台，持续提升商业化变现效率与用户体验
负责广告流量预估、库存分配与混排策略等机制设计与优化，在保障用户体验的前提下，追求全局收益最大化
追踪行业前沿算法进展，探索云音乐下一代广告模型范式，在数据、模型、推理等维度持续探索Scaling Law，突破广告系统的效果上限
参与广告多模态技术建设，基于行业领先的多模态大模型，对广告素材与落地页（图片/视频等）进行内容理解与表征建模，并融入广告各应用场景，全面提升业务效果
优先资格
有ACM竞赛经历、国际学术会议（KDD/SIGIR/WWW/CIKM/RecSys等）论文发表、各类算法竞赛获奖，或开源大模型开发经历者优先
了解广告召回、排序、机制设计与出价（OCPC/OCPM）、流量分配等链路者优先
有相关实践项目或广告算法实习经验者优先
AI 洞察
优缺点分析
优点
- 依托网易云音乐庞大的用户基数与丰富的音频场景，广告算法落地场景丰富，业务天花板高
- 接触行业领先的机器学习平台与多模态大模型技术，技术栈前沿，有利于个人技术深度的积累
- 作为核心商业化团队，业务稳定性强，平台资源与数据规模优势显著
- 技术迭代快，需持续追踪Scaling Law、多模态大模型等前沿进展，对持续学习和创新能力要求高
- 适合具备扎实算法基础、对计算广告与商业化变现有浓厚兴趣，且希望在大型音乐内容平台深耕推荐与广告技术的算法工程师
缺点 / 挑战
- 广告算法对线上效果与收益指标要求极高，需要在保障用户体验与商业化变现之间寻找微妙平衡，压力较大
角色解读
- 在广告算法领域深耕，从核心链路优化向全局机制设计与商业化架构师方向发展
- 紧跟大模型与多模态技术前沿，成为AI驱动的广告技术专家，引领下一代广告模型范式
- 负责网易云音乐广告分发体系的核心算法优化，包括召回、排序（LTR/pCTR/pCVR/PLTV）与智能出价，提升商业化变现效率
- 设计并优化广告流量预估、库存分配与混排策略，在保障用户体验的同时追求全局收益最大化
- 探索下一代广告模型范式及多模态大模型在广告素材理解中的应用，突破广告系统的效果上限
- 扎实的机器学习与深度学习基础，精通计算广告、推荐系统或NLP等至少一个子方向
- 熟练掌握PyTorch/TensorFlow等深度学习框架，以及Java/C++/Python等编程语言
- 具备优秀的大数据处理能力，熟练使用Spark/Hive等工具，并能运用AI Coding工具提升开发效率
申请策略
- 提前体验网易云音乐的广告展示形式，思考当前广告分发策略的优化空间，面试时可作为切入点与面试官探讨
- 重点突出在计算广告、推荐系统或深度学习方向的实战项目，量化模型优化带来的业务收益（如CTR/CVR提升、收入增长等）
- 展示ACM竞赛获奖、顶会论文发表或开源大模型开发经历，证明扎实的算法功底与前沿技术探索能力
- 强调熟练使用Spark/Hive等大数据工具处理海量数据的经验，以及AI Coding工具提升研发效率的实践
- 深入学习计算广告核心链路（召回、排序、机制设计、OCPC/OCPM出价），补充流量分配与混排策略的知识
- 关注多模态大模型在内容理解与表征建模领域的最新论文与开源实践，提升对前沿技术的敏感度
面试指南
- STAR法则：针对项目经验题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答，重点突出Action中的技术细节和Result中的数据指标
- 权衡分析框架：针对策略设计题（如用户体验与收益平衡），先明确优化目标与约束条件，再分步骤阐述方案设计、AB测试验证及迭代优化过程
- 请详细介绍你在过往项目中如何优化广告召回或排序模型，遇到了哪些难点，最终取得了什么业务收益？
- 在保障用户体验的前提下，如何设计广告混排策略以实现全局收益最大化？
- 你对当前多模态大模型在广告素材理解与表征建模中的应用有什么看法？有哪些落地思路？
- 请解释OCPC/OCPM出价机制的原理，以及在实际业务中如何调优？
- 在探索Scaling Law时，你认为数据、模型、推理三个维度中哪个对广告系统效果提升最关键？为什么？
- 复习计算广告与推荐系统的经典算法（如DeepFM、DIN、DSSM等），并了解网易云音乐近期的广告产品动态
职位点评
薪资福利85
成长发展90
工作生活60
使命价值75
薪资福利
85较高
该岗位为核心算法岗，薪资水平处于市场中上游，整体物质回报具有较强竞争力。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
90较高
岗位涉及大模型、多模态、Scaling Law等前沿技术探索，且依托领先的机器学习平台，技术成长空间与视野极佳。
技术前沿前沿/新兴技术
技术栈LTR、pCTR、pCVR、PLTV、PyTorch、TensorFlow、Spark、Hive、多模态大模型、NLP、Scaling Law
成长机会追踪行业前沿算法进展、探索云音乐下一代广告模型范式
业务类型profit_center
工作生活
60中等
JD未明确提及工作模式与WLB相关信息，但作为核心商业化算法岗，通常面临一定的线上效果与收益指标压力。
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
依托深受年轻人喜爱的内容平台，广告算法优化有助于提升平台商业化能力与内容生态的良性循环。
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