广告算法工程师

优缺点分析

角色解读

• 初级算法工程师 → 高级算法工程师 → 算法技术专家/团队负责人，可在推荐、广告、用户增长等方向深耕
• 技术线可向深度学习、强化学习等前沿方向深入，成为算法领域的技术专家
• 业务线可转向广告产品策略、增长策略等，或转型技术管理岗位
• 负责小米广告业务的核心算法研发，包括广告召回、点击率预估、CVR建模等典型广告算法方向
• 基于海量用户行为数据，运用深度学习、迁移学习、多目标学习等技术对用户兴趣建模，优化广告效果
• 与业务团队紧密合作，将算法模型落地到实际广告场景，持续迭代和优化
• 扎实的机器学习基础，熟悉GBDT、LR、DeepFM等经典及深度模型
• 熟练掌握Python、Scala、C++、Java中的至少两门编程语言，具备良好的工程能力
• 熟悉TensorFlow/PaddlePaddle等深度学习框架，以及Spark/Hadoop/Hive等大数据工具
• 具备较强的数据敏感性和特征工程能力，能针对业务问题设计和优化特征

申请策略

• 了解小米广告业务的产品和模式，面试中展现对业务的思考
• 强调快速学习和沟通能力，因为跨团队协作较多
• 突出机器学习、深度学习项目经验，特别是广告、推荐或搜索相关场景
• 展示在特征工程、模型调优方面的实际案例，最好有量化效果提升
• 强调大数据工具（Spark、Hive）和深度学习框架（TensorFlow）的使用经验
• 补充学习广告算法知识，如CTR预估、CVR预估、召回排序等实际场景
• 熟悉分布式训练和模型部署，了解TensorFlow/PaddlePaddle的高级用法
• 动手实践Kaggle或开源项目，提升特征工程和模型优化能力

面试指南

• 面试中可使用STAR法则（情境-任务-行动-结果）描述项目经历
• 对于算法设计问题，从业务问题定义、数据样本、特征工程、模型选择、评估优化等链条展开
• 遇到不确定的问题，可先表达思考方向，再与面试官讨论
• 请介绍你在广告/推荐算法项目中做过的模型和优化过程
• 如何设计一个广告点击率预估模型？特征如何选择？
• 多目标学习（如CVR）中如何处理样本选择偏差？
• 在大规模数据上训练深度模型时，如何优化训练效率？
• 复习经典机器学习算法和深度学习模型，重点准备DeepFM、Wide&Deep等