研究型实习生-阿里妈妈-算法工程师（生成式推荐算法研究方向）

优缺点分析

角色解读

• 成为生成式 AI 与推荐系统交叉领域的专家，掌握前沿大模型应用技术
• 积累顶级会议论文或高价值专利，提升学术与技术双重影响力
• 毕业后有机会留用转为正式算法工程师，或在行业内获得更高认可
• 研究如何将图神经网络（GNN）与大语言模型（LLM）结合，用于电商推荐场景
• 设计并实现生成式推荐框架，解决跨模态信息融合与对齐的技术难题
• 跟踪并应用 SFT、RLHF 等前沿大模型技术，优化模型性能
• 产出高质量的技术专利或学术论文，沉淀技术影响力
• 扎实的深度学习框架使用能力（TensorFlow/PyTorch）和编程基础
• 熟悉 NLP、机器学习或数据挖掘理论，理解算法原理
• 具备 LLM 或 GNN 的实际项目经验，了解预训练、微调等技术流程
• 优秀的逻辑分析能力和数理基础，具备独立科研或算法实现能力

申请策略

• 提前了解阿里妈妈淘宝联盟的业务模式及当前推荐系统面临的挑战
• 准备一份详细的项目作品集或技术博客，展示你的研究思路和技术深度
• 面试中不仅要展示结果，更要阐述背后的思考过程和技术选型理由
• 突出相关科研项目经历，特别是涉及 LLM、GNN、推荐系统的实践细节
• 列出已发表或投稿的顶级会议/期刊论文，以及申请的专利
• 强调编程能力，展示 GitHub 项目或算法竞赛成绩（如 Kaggle、ACM 等）
• 清晰描述在项目中如何解决具体技术难点（如跨模态融合、模型优化等）
• 深入复习 Transformer 架构、Attention 机制及 LLM 微调技术（LoRA, P-Tuning 等）

面试指南

• STAR 法则：情境（Situation）、任务（Task）、行动（Action）、结果（Result），重点突出个人贡献和技术细节
• 理论结合实践：回答技术问题时要先阐述理论基础，再结合具体项目案例说明如何应用和优化
• 批判性思维：对于开放性问题，要能多角度分析优缺点，并提出自己的见解和改进方案
• 请详细介绍你参与的 LLM 或 GNN 相关项目，你在其中承担的角色和技术贡献是什么？
• 你是如何理解图神经网络与大语言模型融合的？有哪些潜在的挑战？
• 针对电商推荐场景，你认为生成式推荐相比传统排序推荐有哪些优势和劣势？
• 请解释一下 RLHF 的原理，以及在推荐系统中应用 RLHF 可能遇到的困难
• 如果让你设计一个基于语义 ID 的推荐框架，你会如何构建特征工程和模型结构？