字节跳动
推荐算法工程师-TikTok Shop
推荐算法工程师-TikTok Shop
发布于 1 天前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
学历未注明
软件工程
深度学习
数据挖掘
PyTorch
TensorFlow
多模态
大语言模型
推荐算法
电商推荐
AI 估算 · 35k–60k
大厂高级算法岗，技术门槛高，市场竞争激烈，薪资处于行业高位。
职位详情
关于这个职位
作为TikTok Shop的推荐算法工程师，你将负责个性化推荐系统的算法优化与创新，涵盖召回、排序、多目标优化等全链路环节，并探索大语言模型与多模态技术在电商场景的落地
该职位要求扎实的算法基础与工程能力，适合在搜索、广告、推荐或大模型领域有经验的资深工程师
最低要求
扎实的算法和数据结构基础，优秀的编码能力
在搜索、广告、推荐或大模型领域，有参与或主导过模型复杂化、大模型落地等经验
熟悉PyTorch或TensorFlow，熟悉开源大模型（如LLaMA、Qwen、DeepSeek等），有模型或大模型训练与推理优化经验优先
熟悉C++和Python语言，熟悉Linux开发环境
工作职责
负责个性化推荐算法优化，包括电商短视频、图文、新用户推荐、视频冷启动、兴趣探索等场景，通过深度序列建模、生成式推荐、多目标优化、多模态表征学习等技术提升信息匹配效率与推荐发现性，让用户便捷地找到优质内容和货品
负责推荐全链路（召回、粗排、精排、重排）的模型迭代与优化，结合LLM4Rec、生成式召回/排序（Generative Retrieval/Ranking）等前沿范式，探索大语言模型与多模态技术在电商推荐场景的落地应用，通过多目标优化持续提升业务指标
挖掘和分析海量用户行为数据，基于长序列建模（Lifelong Sequence）进行用户长短期兴趣建模与潜在兴趣探索，提升推荐的精准性与多样性
探索AI Agent在推荐系统中的应用，包括基于Agent的自动化调参、智能实验管理、数据分析与归因决策，以及Agent驱动的用户意图理解与交互式推荐，同时通过算法自动挖掘优质商品和达人，优化供给侧分发效率与冷启动机制，构建良性的内容电商生态
结合国际化电商业务特性，进行模型和算法创新，打造业界领先的推荐系统
优先资格
具备优秀的学习能力和良好的团队合作精神，在KDD、NeurIPS、WWW、SIGIR、WSDM、ICML、IJCAI、AAAI、RecSys等会议发表过论文，或有数据挖掘/机器学习相关竞赛经历优先
AI 洞察
优缺点分析
优点
- 接触前沿技术（LLM、多模态、生成式推荐），个人技术积累快
- 团队技术氛围浓厚，有机会与KDD、NeurIPS等顶会背景的同事共事
- 薪酬福利行业领先，年终丰厚，股票期权等
- 业务目标导向，工作强度较大，可能需要应对快速迭代和高压环境
- 推荐系统复杂度高，全链路优化对工程和算法能力要求极高
- 国际化电商场景涉及多语言、多文化，需处理数据稀疏和冷启动等问题
缺点 / 挑战
- 字节跳动大平台，TikTok Shop业务高速增长，技术挑战大，成长空间广阔
- 该职位适合在推荐、广告或搜索领域有3年以上经验，对技术有热情、能承受一定工作压力、渴望在快速增长的国际化电商平台实现技术突破的资深算法工程师
角色解读
- 技术方向：从推荐算法工程师晋升为资深算法专家或架构师，负责核心系统设计与创新
- 管理方向：可转型为技术Leader，带领团队完成业务目标，并推动技术战略
- 跨领域发展：借助大模型和多模态经验，可转向AI平台、搜索、广告等其他算法领域
- 负责TikTok Shop推荐系统的算法优化，包括召回、排序、重排等全链路模型迭代
- 探索大语言模型（LLM）与多模态技术在电商推荐中的落地应用，如生成式召回、LLM4Rec等
- 分析海量用户行为数据，进行长序列建模和用户兴趣建模，提升推荐精准性和多样性
- 研究AI Agent在推荐系统中的应用，如自动化调参、智能实验管理和用户意图理解
- 扎实的算法与数据结构基础，优秀的编码能力（C++/Python）
- 在搜索、广告、推荐或大模型领域有丰富的模型开发和落地经验
- 熟悉PyTorch或TensorFlow，熟悉主流开源大模型（如LLaMA、Qwen等）及训练推理优化
- 具备数据挖掘、机器学习竞赛或顶会论文发表经验者优先
申请策略
- 字节面试注重算法基础和项目深度，建议提前刷题并梳理项目中的难点和解决方案
- 了解TikTok Shop电商业务特点，思考推荐算法如何适配国际化场景
- 突出在推荐系统全链路（召回、排序）上的项目经验，尤其是复杂模型落地和业务指标提升的案例
- 强调大模型（LLM）或多模态技术在实际推荐场景中的应用经验，如LLM4Rec、生成式召回等
- 列出顶会论文或数据挖掘竞赛奖项，展示学术和工程结合的能力
- 量化成果，如X%的CTR提升、Y%的GMV增长等
- 若对大模型训练/推理优化不熟，可系统学习LLaMA、Qwen等开源模型的微调和部署
- 补充多模态表示学习知识，了解CLIP、ViT等模型在推荐中的应用
面试指南
- 项目介绍类：使用STAR法则（情境-任务-行动-结果），突出技术选型、模型改进点和量化收益
- 开放设计类：先明确问题边界，提出多种方案，比较优劣，给出推荐方案并说明理由
- 问题排查类：按数据、特征、模型、工程链路分层排查，结合日志和指标差异化分析
- 请详细描述你之前负责的推荐系统项目，包括模型架构、优化目标、线上收益及遇到的挑战
- 推荐系统中如何解决冷启动问题？请结合你熟悉的业务场景说明
- 如何将大语言模型引入推荐系统？请举例说明可能的范式和方法
- 在排序阶段，如何处理多目标优化（如点击率、转化率、用户长期留存）？
- 如果线上推荐效果下降，你会如何排查和定位问题？
职位点评
70
综合评分
大厂高薪前沿技术岗，注重个人成长，但工作强度大、WLB一般。
更适合这类人
该职位最适合高度重视技术成长和薪酬回报，能够接受高强度工作节奏的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展90
工作生活35
使命价值70
薪资福利
85较高
该职位薪资水平高，字节跳动福利完善（五险一金、补充医疗、免费餐食等），但JD未明确具体福利，仅从公司层面判断补偿性动机满足度高。
薪资信号未披露（AI估算：35K-60K/月）
成长发展
90较高
职位涉及前沿技术（LLM、多模态、生成式推荐），项目挑战大，且字节有内部技术分享和晋升通道，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈推荐算法、深度学习、大语言模型、多模态、生成式推荐、LLM4Rec、PyTorch、TensorFlow
业务类型profit_center
工作生活
35较低
仅现场办公，未提及弹性工作或远程，字节跳动企业文化通常要求较高工作投入，因此WLB满足度较低。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
TikTok Shop属于高速增长的国际化电商赛道，推荐算法优化直接提升用户体验及平台效率，社会影响力中等偏上。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs