海信
推荐算法开发工程师(J41312)
推荐算法开发工程师(J41312)
发布于 2 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
Ctr预估
Llm
大数据
排序算法
推荐算法
机器学习
特征工程
值不值得投
69综合评分
综合评分 69
大厂资深推荐算法岗，技术深度挑战高，LLM探索机会多，但对工作生活平衡的明确保障信息不足。
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
40K
与机器学习工程中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
公司还在招多个职位
4 个在招
市场机会
选择面较广
深圳 · 机器学习工程 · 70 个在招
职位详情
关于这个职位
这是一个负责海信内容个性化推荐系统核心算法开发的职位
你需要参与推荐算法的技术规划与前沿跟踪，负责算法的需求分析、整体设计与开发实现，特别是召回、排序、重排等关键方向的模型迭代与优化
此外，你还需要探索并落地大语言模型（LLM）在推荐系统中的创新应用，以支撑业务指标的持续增长
最低要求
对内容类个性化推荐场景的用户、策略和算法有深刻认知，负责过千万级日活用户规模的推荐系统的特征、召回或者排序算法中的1种及以上算法设计和实现
深刻理解面向CTR预估的排序算法或者用户特征实时跟踪算法的原理和发展趋势
能够跟踪推荐算法的进展，并能高效的复现算法，且根据目标指标和数据分析进行算法调优
具有较好的数据分析能力和编码实现能力，熟悉常用的数据工程处理工具，能够独立进行算法的实现和上线，以及问题分析和改进措施制定的闭环
具有5年以上的推荐算法相关工作经验，硕士及以上
工作职责
参与技术洞察与规划：针对推荐算法领域，跟踪前沿算法研究和行业解决方案保持技术先进性，输出相关技术规划
负责算法需求分析和设计：参与推荐策略需求评审，基于需求输出系统级别算法需求的评审结论，完成算法整体设计支持业务需求落地
负责算法开发与模型迭代：推荐算法召回、排序、重排等方向算法模型开发、训练及持续优化能力，支撑业务指标的持续提升
探索LLM在推荐系统中的改进并进行落地
AI 洞察
优缺点分析
优点
- 有机会探索LLM与推荐系统的结合，处于技术前沿，对个人技术视野提升大
- 海信作为行业头部企业，能提供稳定、大规模的数据和业务场景进行算法验证
- 对算法理论深度和工程实现能力要求极高，需要持续跟进前沿并解决复杂业务问题
- 需要同时兼顾现有系统维护、算法迭代和新技术探索，工作内容多维且有深度
- 适合对推荐系统有浓厚兴趣、具备扎实算法功底和工程实现能力、追求技术深度与业务价值结合、并能主动探索新技术（如LLM）应用的资深算法工程师
缺点 / 挑战
- 直接参与千万级DAU产品的核心算法优化，技术挑战和实战价值高
- 业务指标驱动，需要承受一定的性能提升和效果优化压力
角色解读
- 技术专家路线：深入特定方向（如排序、LLM应用），成为推荐算法领域的资深专家或架构师
- 技术管理路线：在积累足够技术影响力和项目经验后，可转向团队管理或技术负责人角色
- 参与推荐算法领域的技术规划与前沿趋势跟踪，确保技术方案先进性
- 负责从需求分析到算法设计的全流程，支撑千万级日活用户内容推荐业务
- 具体实现和迭代推荐系统中的召回、排序、重排等核心算法模型，提升业务指标
- 研究并探索将LLM等大模型技术应用于推荐系统，进行创新落地
- 具备深厚的推荐系统理论知识和工程实践经验，熟悉召回、排序等核心模块
- 对CTR预估、用户实时特征等排序算法原理有深刻理解，并能跟踪前沿发展
- 拥有出色的数据分析和问题定位能力，能独立完成算法实现、上线及优化的闭环
- 熟悉Python及常用数据处理/机器学习框架，具备优秀的编码和复现算法的能力
申请策略
- 在面试前，可以研究海信的智能交通、智能家居等具体业务场景，思考推荐算法可能的应用点
- 准备一个能够清晰阐述的、有技术深度的推荐算法项目案例，涵盖问题定义、方案设计、实现细节与效果评估
- 重点突出过往在推荐系统（特别是召回/排序模块）上的项目经验、具体成果（如指标提升数据）
- 详细描述处理过的数据规模、系统复杂性，以及独立负责的算法设计、实现与优化闭环案例
- 如有LLM、深度学习等前沿技术的应用实践，务必单独列出并说明其在业务场景中的作用
- 系统梳理和复习推荐系统核心算法（如DeepFM, DIN, DSSM等）及CTR预估模型原理
- 学习并实践大语言模型（如LLM）的基本原理及其在推荐、生成等领域的应用案例
- 加强使用Python进行大规模数据处理、模型训练与上线的工程化能力
面试指南
- 对于项目经验问题，采用STAR法则（情境、任务、行动、结果），重点突出技术难点和你的核心贡献
- 对于技术原理问题，先阐述核心思想，再结合具体算法或模型展开，并尽量联系实际应用场景
- 对于分析问题类问题，展示结构化思维：先明确现象和指标，再从数据、模型、策略等多角度提出假设并验证
- 请介绍一个你过去负责的、最有挑战性的推荐算法项目，说明你在其中的角色、技术选型、遇到的难点及如何解决
- 描述一下CTR预估中常用的排序模型演进（如从LR到深度模型），并阐述你对其中一个模型原理的深入理解
- 如果在千万级DAU的内容推荐场景中，发现某类内容的点击率突然下降，你会如何分析和定位问题？
- 你如何看待将LLM应用到推荐系统中？有哪些可能的落地场景和潜在挑战？
- 在算法迭代中，如何平衡模型效果的提升与线上服务的性能开销（如延迟、资源）？
职位点评
薪资福利70
成长发展90
工作生活40
使命价值65
薪资福利
70中等
该岗位对补偿性动机满足程度中等。虽然提供了大型企业的平台和有竞争力的薪酬（基于市场判断），但JD未明确提及具体福利待遇，因此存在不确定性。
薪资信号市场水准 (3–5万/月)
成长发展
90较高
该岗位对发展性动机满足程度很高。它要求深入的技术专精（千万级DAU推荐系统），并涉及前沿技术探索（LLM应用），为技能成长提供了明确路径和挑战。
技术前沿前沿/新兴技术
技术栈推荐算法、CTR预估、LLM、排序模型、召回
成长机会技术洞察与规划、跟踪前沿算法研究、探索LLM...并进行落地
业务类型profit_center
工作生活
40较低
该岗位对生活化动机满足程度有限。JD未明确说明工作模式和工作强度，仅现场办公的推断可能影响灵活性，且技术深度要求暗示了较高的工作投入度。
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
65中等
该岗位对意义感动机满足程度中等。它服务于公司核心的智能产品与服务，有技术驱动业务成长的价值感，但社会影响力属于行业应用层面。
行业发展稳定成熟行业
社会影响中性/一般
使命信号支撑业务指标的持续提升
创新程度积极采用新技术
Watch Jobs