海信
推荐算法开发专家(J41310)
推荐算法开发专家(J41310)
发布于 6 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
Llm
Pytorch
Scaling Law
Tensorflow
大模型
推荐算法
模型剪枝
深度学习
生成式推荐
值不值得投
76综合评分
综合评分 76
聚焦大模型与推荐融合的前沿技术岗，技术成长空间大，业务价值高，但WLB情况未知且挑战较大。
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
5.5万
比推荐系统中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 560 个在招
市场机会
选择不多
深圳 · 推荐系统 · 7 个在招
职位详情
关于这个职位
该职位负责海信大屏场景下的推荐算法研发，重点探索大模型（LLM）与推荐系统的融合，主导从判别式向生成式推荐的演进
你需要负责召回、排序等核心环节的算法升级，并解决大模型落地时的工程优化问题，驱动业务指标增长
最低要求
具有生成式推荐模型开发经验，5年以上的推搜广算法经验（本科及以上），在千万级日活产品中，主导过召回、排序、重排或大模型推荐中至少一项核心算法的设计和落地，且有显著的线上收益
深刻理解深度学习推荐系统核心原理，精通TensorFlow/PyTorch框架应用，具备大模型预训练、微调的实战经验
具备极强的技术视野，持续追踪RecSys/KDD/ACL等顶会关于LLM4Rec、GR的最新进展，并具备极强的论文复现与业务转化能力
具备扎实的数据分析能力和复杂系统下的算法调优经验
工作职责
参与技术洞察与规划：参与推荐算法领域的技术演进规划，深度跟踪LLM与推荐系统的融合范式，制定从判别式推荐向生成式推荐演进的技术路线图，保持技术的行业领先性
负责推荐算法开发与模型迭代：主导召回、排序、重排等核心环节的算法升级，在深度学习模型基础上，利用LLM的语义理解与世界知识突破传统ID类特征的泛化瓶颈，引入Scaling Law指导模型迭代，驱动业务指标持续增长
建设大模型推荐能力：基于千亿级行为数据与多模态特征，构建大屏场景下的基座大模型，探索大模型在用户意图推理、长序列建模及端到端生成式推荐中的应用落地
负责算法需求落地与工程优化：能够独立完成算法从设计到上线的闭环，协同工程团队通过知识蒸馏、模型剪枝、推理加速等手段，解决大模型在推荐场景落地时的算力瓶颈与延迟挑战
AI 洞察
优缺点分析
优点
- 处于LLM与推荐系统融合的技术前沿，能积累大模型在工业界落地的稀缺经验
- 依托千亿级行为数据和千万级日活产品，拥有极佳的算法验证与迭代平台
- 专家级岗位，技术话语权大，能深度参与技术演进规划与路线图制定
- 适合具备扎实深度学习基础、对大模型前沿技术有强烈热情，且拥有大规模高并发推荐系统实战经验的资深算法工程师
缺点 / 挑战
- 大模型在推荐场景落地面临算力瓶颈与延迟挑战，工程优化难度极高
- 生成式推荐属于前沿探索方向，技术路线存在不确定性，需承担较高的试错压力
角色解读
- 纵向可发展为推荐算法技术总监或首席科学家，主导公司级AI技术战略
- 横向可拓展至大模型通用能力建设或AI业务线负责人，推动AI技术在更多业务场景的商业化落地
- 规划并推进推荐算法从判别式向生成式（基于LLM）的演进，制定技术路线图
- 负责召回、排序、重排等核心算法的迭代，利用大模型突破传统特征泛化瓶颈
- 构建大屏场景下的基座大模型，并负责算法的工程化落地与推理加速优化
- 精通深度学习推荐系统原理，熟练掌握TensorFlow/PyTorch，具备大模型预训练与微调实战经验
- 具备千万级日活产品核心算法落地经验，能独立完成从设计到上线的闭环
- 紧跟顶会前沿，具备极强的论文复现能力及复杂系统下的算法调优与数据分析能力
申请策略
- 提前了解海信大屏业务（如聚好看）的推荐场景特点，思考大模型在该特定场景下的应用切入点
- 重点突出在千万级日活产品中主导召回、排序或大模型推荐算法落地的具体案例及线上收益数据
- 详细展示大模型预训练、微调、知识蒸馏及推理加速等工程优化方面的实战经验
- 列举在RecSys/KDD/ACL等顶会发表的论文或成功复现前沿论文并转化为业务收益的经历
- 深入学习LLM在推荐系统中的应用范式（如LLM4Rec），掌握生成式推荐的最新理论
- 强化大模型推理加速技术（如vLLM、TensorRT-LLM）及模型压缩（剪枝、量化）的工程实践能力
面试指南
- STAR法则：针对项目经验，清晰阐述背景、任务、具体行动（突出技术细节和难点攻克）及量化结果
- 技术深度+业务价值：在回答技术问题时，不仅要讲透算法原理和工程实现，还要落脚到对业务指标（如CTR、转化率）的实际提升
- 请分享一个你主导过的最复杂的推荐算法升级项目，遇到了什么技术瓶颈，如何解决的？
- 在大模型推荐场景下，如何解决大模型推理延迟高、算力消耗大的问题？
- 你如何看待判别式推荐向生成式推荐的演进？目前生成式推荐落地的最大难点是什么？
- 请介绍你在千亿级数据下构建基座大模型或进行大模型微调的实战经验
- 复习并总结自己过往项目中关于模型压缩、推理加速及大模型微调的核心代码逻辑和调优策略
- 阅读近期关于LLM4Rec的顶会论文，形成自己对生成式推荐技术路线的独立见解和批判性思考
职位点评
薪资福利80
成长发展90
工作生活50
使命价值75
薪资福利
80较高
职位为专家级算法岗，薪资水平在市场中具备较强竞争力，但JD未明确披露具体薪资结构与额外福利。
薪资信号未披露（AI估算：4千–7万/月）
成长发展
90较高
岗位聚焦LLM与推荐系统的融合，属于当前AI领域最前沿的探索方向，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈LLM、TensorFlow、PyTorch、生成式推荐、知识蒸馏、模型剪枝、Scaling Law
业务类型profit_center
工作生活
50较低
JD中未提及任何关于工作模式、弹性工时或加班情况的信息，无法判断其WLB状况，通常专家级核心研发岗工作节奏较快。
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
岗位致力于通过大模型提升大屏场景下的用户意图推理与推荐体验，具有一定的产品创新价值，但主要服务于商业指标增长。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs