海信
算法工程师（推荐方向）(J44956)
算法工程师（推荐方向）(J44956)
发布于 2 天前普通员工/个人贡献者
全职员工仅现场办公推荐系统
推荐系统
Pytorch
Tensorflow
大语言模型
推荐系统
机器学习
深度学习
生成式推荐
用户行为建模
值不值得投
72综合评分
综合评分 72
前沿技术驱动、成长空间大，但工作强度可能较高。
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
3.3万
与推荐系统中位数基本持平
发布情况
新岗位 · 2 天前发布
公司情况
这家公司招聘很活跃
84 个在招
市场机会
选择不多
深圳 · 推荐系统 · 6 个在招
职位详情
关于这个职位
作为海信视频推荐方向的算法工程师，你将深度参与推荐系统全链路的设计与开发，重点探索生成式推荐和大语言模型在用户行为建模中的应用
与数科、产品、运营团队紧密协作，优化内容分发策略，解决冷启动、惊喜度、多样性等核心问题，持续提升用户体验
同时需要跟踪顶会前沿研究，复现SOTA论文，推动技术创新落地
最低要求
学历专业：硕士及以上学历，计算机、统计学、数学、自动化等相关专业
算法能力：扎实的算法基础，对推荐算法和大模型有热情、乐于学习、思考和创新，具备论文复现和算法改进的能力
编程实力：具备较强的编程能力，精通主流算法编程语言，如Python/Tensorflow/Pytorch等
前沿认知：对生成式推荐（如TIGER, HSTU, Meta的生成式召回等）或LLM for Rec有深入理解或强烈探索欲
软实力：优秀的逻辑分析与问题解决能力，良好的团队协作与沟通表达能力
项目优先：熟悉传统机器学习/深度学习，有推荐系统、广告系统、搜索排序相关项目或实习经历者优先
如有生成式模型（VAE/GAN/Diffusion/LLM）项目经验者，即使非推荐领域也强烈欢迎
加分项：在KDD、SIGIR、RecSys、WWW、NeurIPS等顶会/期刊发表过论文，或在Kaggle、KDD Cup等顶级竞赛中获得Top名次者优先
工作职责
构建下一代推荐系统：深度参与视频推荐全链路（召回、排序、重排）的设计与开发，重点探索生成式推荐、大语言模型（LLM）在用户行为序列建模、兴趣向量生成中的落地应用，搭建业界领先的视频推荐系统
推荐体验优化：与数科、产品、运营团队紧密协作，优化内容分发策略，解决推荐系统中的“冷启动”、“惊喜度”、“多样性”等问题，持续提升用户满意度
前沿技术跟踪：追踪SIGIR、KDD、RecSys等顶会关于生成式推荐（Generative Recommendation）及多模态大模型的最新研究成果，复现SOTA论文，支撑下游运营与产品需求
优先资格
项目优先：熟悉传统机器学习/深度学习，有推荐系统、广告系统、搜索排序相关项目或实习经历者优先
如有生成式模型（VAE/GAN/Diffusion/LLM）项目经验者，即使非推荐领域也强烈欢迎
加分项：在KDD、SIGIR、RecSys、WWW、NeurIPS等顶会/期刊发表过论文，或在Kaggle、KDD Cup等顶级竞赛中获得Top名次者优先
AI 洞察
优缺点分析
优点
- 海信作为知名企业，平台稳定，业务场景丰富，推荐系统有大量真实数据支撑
- 与数科、产品、运营紧密协作，能提升跨团队沟通和业务理解能力
- 对算法深度和前沿技术追踪要求高，需要持续学习和论文复现
- 推荐系统涉及全链路优化，问题复杂，需要较强的工程落地能力
- 适合对推荐算法和大模型有强烈兴趣，乐于探索前沿技术，具备扎实算法功底和良好团队协作能力的求职者
缺点 / 挑战
- 聚焦生成式推荐和LLM等前沿技术，技术挑战大，成长空间广阔
- 可能面临业务压力，需要快速迭代和优化效果
角色解读
- 从推荐算法工程师成长为技术专家，深入生成式推荐和大模型领域
- 向技术管理方向发展，带领团队负责推荐系统整体架构
- 横向拓展到广告、搜索等相邻领域，成为算法全栈人才
- 设计并开发视频推荐系统的召回、排序、重排全链路，确保系统高效稳定运行
- 探索生成式推荐和大语言模型在用户行为序列建模、兴趣向量生成中的应用，推动技术创新
- 与数科、产品、运营团队协作，优化内容分发策略，解决冷启动、惊喜度、多样性等问题
- 跟踪SIGIR、KDD、RecSys等顶会最新研究，复现SOTA论文并落地到实际业务
- 扎实的算法基础，熟悉推荐系统、机器学习、深度学习核心算法
- 精通Python，熟练使用TensorFlow或PyTorch等深度学习框架
- 对生成式推荐（如TIGER、HSTU）或LLM for Rec有深入理解或强烈探索欲
- 具备优秀的逻辑分析、问题解决、团队协作和沟通表达能力
申请策略
- 了解海信视频业务和推荐场景，准备相关案例
- 关注海信技术博客或公开分享，了解团队技术方向
- 突出推荐系统、广告系统或搜索排序相关的项目经验，量化成果
- 强调生成式模型（VAE/GAN/Diffusion/LLM）项目经验，即使非推荐领域
- 展示论文发表或竞赛获奖经历，体现学术能力和算法深度
- 详细描述在Python/TensorFlow/PyTorch方面的编程实践
- 深入学习生成式推荐最新论文（如TIGER、HSTU），尝试复现
- 熟悉LLM在推荐中的应用，如用户行为序列建模、兴趣生成
面试指南
- 使用STAR法则（情境、任务、行动、结果）清晰描述项目经历
- 结合具体技术细节和业务场景，展示算法深度和工程能力
- 强调学习能力和探索精神，表达对前沿技术的热情
- 请介绍一个你参与过的推荐系统项目，具体负责哪些模块？
- 你对生成式推荐（如TIGER、HSTU）的理解是什么？如何落地？
- 如何解决推荐系统中的冷启动问题？
- 如何评估推荐系统的效果？你使用过哪些指标？
- 请描述一次你复现论文的经历，遇到哪些困难？
职位点评
薪资福利70
成长发展90
工作生活50
使命价值75
薪资福利
70中等
薪资未明确披露，但作为硕士学历要求的算法岗，市场薪资通常处于中上水平，福利可能包括五险一金等，但JD未提及具体福利。
薪资信号未披露（AI估算：2.5千–4万/月）
成长发展
90较高
职位聚焦生成式推荐和LLM等前沿技术，要求论文复现和算法改进，成长空间大，但JD未明确提及晋升通道。
技术前沿前沿/新兴技术
技术栈生成式推荐、LLM、TensorFlow、PyTorch、深度学习
业务类型profit_center
工作生活
50较低
JD未提及工作模式和加班情况，无法判断WLB，但深圳和青岛的科技岗位通常节奏较快。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
推荐系统直接影响用户体验，具有较高社会价值，但JD未提及具体使命导向。
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