算法工程师-外投广告机器学习方向（T-Star Lab日常实习）

优缺点分析

角色解读

• 作为T-Star Lab的实习生，有机会接触阿里妈妈最核心的广告算法业务和海量真实数据，积累宝贵的工业界经验
• 表现优秀者有机会获得转正offer，正式加入阿里妈妈算法团队，深入广告算法领域
• 该方向涉及大模型、推荐系统等前沿技术，未来可在广告、搜索、推荐等领域的顶尖团队发展
• 参与大模型在外投广告场景下的应用方案设计，将前沿的LLM技术落地到广告召回、排序等核心环节
• 负责对现有深度模型进行架构升级和性能优化，提升在线广告投放模型的精度和效率
• 研究并实现消费者全域行为兴趣建模，利用大模型的序列描述能力挖掘用户深层兴趣
• 探索广告召回、粗排、精排多阶段联合建模，解决推荐链路中阶段不一致和算力浪费问题
• 扎实的机器学习、深度学习理论基础，熟悉常见的模型架构（如Transformer、DNN等）
• 对大模型（LLM）技术有深入理解和实践经验，了解其在推荐/广告领域的应用（如Tiger、HSTU等）
• 优秀的编程能力，熟练掌握Python，熟悉TensorFlow或PyTorch等深度学习框架
• 具备良好的文献阅读和学术研究能力，能够快速理解和复现前沿论文

申请策略

• 在申请时，可以附上一份针对该岗位课题的研究设想或技术方案，展示你的思考深度
• 了解阿里妈妈外投广告业务的基本情况，在面试中展现对业务的理解和兴趣
• 重点突出机器学习、深度学习相关的项目经验和研究成果，尤其是与推荐系统、广告算法相关的项目
• 如果有顶会论文（如SIGIR、KDD、ICML等）或高水平竞赛（如Kaggle、天池）获奖经历，务必在显眼位置展示
• 详细描述参与过的机器学习开源项目，突出个人贡献和技术难点
• 在简历中体现对大模型技术的理解和实践经验，如LLM微调、Prompt Engineering等
• 系统复习机器学习、深度学习核心知识，特别是推荐系统和广告算法相关模型（如DIN、DCN、HSTU等）
• 深入学习大模型技术，了解其在搜索、推荐、广告领域的最新应用，尝试复现相关论文

面试指南

• 对于项目介绍类问题，采用STAR法则（情境-任务-行动-结果），清晰阐述项目背景、你的贡献、技术方案和最终效果
• 对于技术理解类问题，先给出核心概念的定义，再结合具体场景分析其优缺点和适用条件，最后可以提出自己的见解或改进思路
• 对于开放设计类问题，先明确问题约束和目标，再逐步拆解，给出从数据、特征、模型到评估的完整方案，并说明关键决策的理由
• 请详细介绍一下你参与过的机器学习项目，你在其中承担了什么角色，遇到了哪些挑战？
• 谈谈你对大模型在推荐系统或广告领域应用的理解，你认为目前面临的主要挑战是什么？
• 如何理解广告召回、粗排、精排多阶段联合建模？相比分阶段建模，它有哪些优势和难点？
• 给定一个广告点击率预估场景，你会如何设计模型结构和特征工程？
• 你读过哪些相关领域的顶会论文？请介绍其中一篇的核心思想和创新点