微信视频号-高级LRM推荐算法工程师（广州）

优缺点分析

角色解读

• 纵向深耕：向首席算法科学家或领域技术专家发展，主导下一代推荐架构设计
• 横向拓展：转向AI基础模型研究、多模态内容理解或商业化策略方向
• 管理转型：积累技术影响力后，可带领算法团队负责更大规模的业务线技术规划
• 负责微信视频号主Feed信息流的粗排与精排推荐模型迭代与调优
• 设计并实现序列建模、参数扩展（Dense/Sparse）及候选集优化方案
• 推进通用模型组件升级，结合业务场景进行算法策略落地与效果验证
• 精通推荐系统与排序模型，深入理解机器学习底层原理与前沿架构
• 具备极强的工程落地能力，能将算法想法转化为可量化的业务收益
• 掌握大规模分布式训练与模型压缩加速技术，熟悉主流深度学习框架
• 具备优秀的数据分析能力与A/B测试经验，能快速定位并解决线上问题

申请策略

• 提前了解视频号业务形态与内容生态，准备针对信息流分发的算法优化思路
• 关注腾讯技术公众号与公开技术分享，展现对公司技术文化的认同与匹配度
• 突出推荐系统全链路项目经验，重点量化模型上线后的CTR/CVR/GMV提升幅度
• 详细阐述在序列建模、稀疏特征处理或模型压缩方面的具体技术方案与难点攻克
• 展示顶会论文或高质量技术博客，体现学术视野与工程落地的结合能力
• 强调跨团队协作与数据驱动决策的案例，证明技术想法的商业转化价值
• 深入研究Transformer、GNN等在推荐系统中的应用，掌握最新Scaling Law实践
• 强化分布式训练框架（如DeepSpeed、Megatron）与高性能计算优化技巧

面试指南

• STAR法则结构化表达：清晰交代背景(B)、任务(T)、行动(A)与结果(R)，重点突出个人技术决策与量化产出
• 分层拆解问题：从数据层、特征层、模型层、服务层逐层分析，体现系统性思维
• 技术深度与业务广度结合：先讲清算法原理与数学推导，再落脚到业务指标提升与ROI分析
• 请详细描述你过往负责的推荐系统架构，以及在粗排/精排环节的具体贡献
• 面对海量稀疏特征和高并发推理场景，你会如何进行模型压缩与加速优化？
• 如何设计实验评估新模型的效果？当线上指标波动时，你的排查思路是什么？
• 请分享一个你将学术想法成功落地为业务收益的完整案例
• 你对当前推荐系统领域的Scaling趋势有何见解？未来3年的技术演进方向是什么？