研究型实习生-智能算法产品事业部-大模型推荐算法工程师

优缺点分析

角色解读

• 通过参与前沿大模型推荐架构的探索，积累顶尖的算法研究与工程落地经验
• 通过发表高质量论文和学术交流，提升在AI学术界和工业界的影响力
• 实习表现优异者有机会获得转正机会，成为正式的大模型推荐算法工程师
• 跟进大模型、多模态及生成式推荐等前沿技术，探索纯语义驱动的广告推荐新架构
• 研究多模态统一表征、用户意图推理、语义召回及高效检索等关键技术，并在真实广告场景中落地
• 总结研究与业务实践成果，撰写高质量学术论文，参与业界和学术界交流
• 扎实的数理基础，熟悉深度学习主流框架
• 对大模型、自然语言处理、推荐系统或信息检索等至少一个领域有深入理解
• 具备良好的逻辑分析、问题解决能力以及团队沟通合作精神

申请策略

• 提前了解智能算法产品事业部在广告推荐领域的最新业务动态和技术博客
• 准备好论文的详细讲解，能够清晰阐述自己的研究动机、方法和创新点
• 重点突出在大模型、NLP、推荐系统或信息检索领域的项目经验和研究成果
• 明确列出在AI顶级会议或期刊发表的论文，展示学术能力
• 展示扎实的数理基础、深度学习框架使用能力以及解决复杂逻辑问题的案例
• 深入学习大模型的微调、推理加速及多模态表征技术
• 熟悉推荐系统中的语义召回、意图推理等前沿方向，阅读相关顶会论文

面试指南

• 论文讲解采用STAR法则：背景（为什么做）-> 方法（怎么做，核心创新）-> 结果（效果如何）-> 启发
• 技术方案设计采用‘理论+工程’双重视角：先讲算法原理和理论优势，再结合业务场景讨论延迟、算力成本等落地约束
• 请详细介绍你发表的一篇顶级会议论文，包括研究动机、核心方法和实验结果
• 在大模型推荐场景中，如何利用大模型进行用户意图推理或语义召回？
• 如果要将大模型推荐方案在真实广告场景中落地，你会考虑哪些工程优化和效率问题？
• 请分享一个你解决过的最复杂的算法或数理问题，你的思路是什么？
• 复习深度学习、推荐系统、NLP的基础理论，重点准备大模型相关的最新技术进展
• 准备1-2个自己主导的复杂算法项目，能够深入探讨其中的技术细节和踩坑经验