研究型实习生-搜推智能产品-结合大模型的排序模型优化

优缺点分析

角色解读

• 实习期结束可争取转正，成为搜推算法工程师，深入业务核心
• 积累大模型与推荐系统结合的前沿经验，未来可向算法专家或学术界发展
• 研发和优化推荐排序模型，结合大模型技术提升业务离线和在线指标
• 探索排序模型的新范式，进行前沿学术研究并撰写高水平论文
• 扎实的编码能力、数据结构与算法基础，能够高效实现复杂模型
• 具备科研能力，有顶会论文发表经验，能独立解决具有挑战性的技术问题
• 优秀的逻辑分析与问题解决能力，具备良好的团队协同与沟通表达能力

申请策略

• 提前了解阿里搜推团队近期的技术博客和开源项目，展现对业务的了解
• 准备好论文的详细技术细节，面试中可能会深入探讨创新点和实验设计
• 突出在SIGIR、KDD、ICML等顶会的论文发表记录及核心贡献
• 详细列出参与过的推荐系统或大模型相关项目，强调指标提升效果
• 展现扎实的代码能力和算法竞赛/科研经历
• 深入学习大模型在推荐系统中的应用（如LLM for RecSys）前沿论文
• 提升分布式训练和模型部署的工程能力，熟悉主流深度学习框架

面试指南

• 论文问题：采用STAR法则，重点突出Motivation、Method和Ablation Study
• 业务问题：从数据、模型、特征、工程等多个维度系统性分析，给出排查思路
• 请详细介绍你发表的一篇顶会论文的核心创新点、实验设计和结果
• 大模型在推荐排序中有哪些应用范式？你如何看待其优缺点？
• 如果离线指标提升但在线指标下降，你会如何排查和解决？
• 请手写一个注意力机制或Transformer的核心代码
• 复习推荐系统经典模型（如DIN, DIEN, SIM等）及大模型相关前沿论文
• 准备手撕代码，重点练习树、图、动态规划及机器学习相关算法题