美团
广告算法工程师-预估模型方向
广告算法工程师-预估模型方向
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公推荐系统
推荐系统
Ctr/Cvr预估
Pytorch
Spark/Hive
多模态表征学习
广告算法
模型推理优化
深度学习
生成式推荐
端到端统一建模
值不值得投
75综合评分
综合评分 75
核心商业化算法岗、前沿技术栈丰富、成长空间大，但工作强度较高、WLB一般
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.0万
比推荐系统中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 5580 个在招 · 其中推荐系统 7 个
市场机会
选择适中
上海 · 推荐系统 · 36 个在招
职位详情
关于这个职位
该职位主要负责到店综合广告CTR/CVR预估模型的优化与迭代，探索生成式推荐、多模态表征及端到端统一建模等前沿技术在实际业务中的落地应用
同时需负责预估模型Pipeline基础设施的持续建设，保障大规模训练与线上推理的高效稳定运行，直接助力平台流量变现与广告主转化效果提升
最低要求
熟悉常见机器学习原理和深度学习模型，具备CTR/CVR/RL/NLP/CV等模型落地实践经验
理解模型规模、数据规模与效果之间的关系，有一定的模型调参、特征优化、训练加速或线上推理优化实践经验
具备良好的编程能力，扎实的数据结构和算法基础
熟悉 Spark/Hive 等常用大数据处理框架，熟练使用 PyTorch/TensorFlow 等至少一种主流深度学习框架
对生成式推荐/排序、多模态表征学习、端到端统一建模等方向有基本了解或实践兴趣，有相关落地经验者优先
具备优秀的分析问题与解决问题能力，对前沿技术保持好奇心与学习热情，乐于挑战复杂业务问题，有良好的团队协作意识
工作职责
负责到店综合广告 CTR/CVR 预估模型的优化与迭代，探索并推动生成式推荐/排序、多模态表征学习、端到端统一建模（One-Model 范式）等前沿方向在到店广告场景的落地，结合业务特点形成突破性技术方案
围绕业务发展对模型能力的需求，持续优化模型效果与迭代效率
负责预估模型 Pipeline 基建的持续优化与迭代，保障大规模训练与线上推理的高效稳定，支撑业务快速发展
AI 洞察
优缺点分析
优点
- 直接参与核心商业化场景，技术落地价值高且业务数据反馈明确
- 团队技术氛围开放，鼓励前沿探索与顶会论文产出，个人技术成长空间大
- 依托大厂平台，能接触海量真实业务数据与高性能算力资源
- 跨部门协同频繁，需平衡业务指标与技术理想
- 适合具备扎实算法功底、对广告推荐与大模型技术有强烈兴趣，且能在高压环境下追求技术突破与业务结果的技术型人才
缺点 / 挑战
- 广告预估模型已进入深水区，效果优化边际成本较高，需持续突破创新
- 兼顾前沿研究探索与工程落地交付，工作节奏较快，对模型调优与基建维护的双重压力较大
角色解读
- 可向资深算法专家或技术负责人方向发展，深耕广告推荐与大模型融合领域
- 也可横向拓展至全链路推荐系统架构设计，或转向AI产品化与技术管理岗位
- 长期积累将具备行业顶尖会议论文发表及技术影响力构建能力
- 负责到店广告CTR/CVR预估模型的效果优化与迭代，探索生成式推荐、多模态及端到端统一建模等新技术的业务落地
- 搭建并优化模型训练与推理的基础设施(Pipeline)，保障大规模计算资源的高效利用
- 深入分析广告流量变现与用户转化数据，输出可量化的效果提升方案
- 跟踪业界最新算法进展，定期组织技术分享，推动团队整体技术水位提升
- 扎实的机器学习与深度学习理论基础，精通PyTorch/TensorFlow框架及Spark/Hive大数据处理工具
- 具备CTR/CVR等预估模型调优、特征工程及训练加速的实战经验
- 优秀的代码实现能力与数据结构算法功底，能快速定位并解决线上推理瓶颈
申请策略
- 深入研究美团到店广告的业务逻辑与流量分发机制，准备1-2个针对广告预估痛点的技术解决方案思路
- 关注团队近期发表的顶会论文方向，面试时展现对前沿技术与业务结合的思考
- 重点突出CTR/CVR预估模型的实际落地项目，量化展示模型效果提升百分比及推理延迟降低数据
- 详细列出掌握的深度学习框架、大数据处理工具及特征工程/训练加速的具体实践案例
- 提前熟悉生成式推荐、多模态表征学习及One-Model范式的最新论文与开源实现
- 强化分布式训练框架与在线推理服务部署的实操能力，补充大模型微调与Prompt Engineering知识
面试指南
- 采用STAR法则结构化回答项目经历，清晰阐述背景、任务、行动与可量化的结果
- 针对技术问题，先说明理论依据，再结合业务场景给出工程实现路径，最后补充监控与迭代机制
- 对于前沿方向，展示文献调研能力与可行性验证思路
- 请分享一个你主导的CTR/CVR模型优化项目，具体解决了什么难点？
- 如何平衡模型复杂度与线上推理延迟？
- 对生成式推荐或端到端统一建模有什么理解和实践设想？
- 遇到训练数据分布偏移或冷启动问题，你的排查思路是什么？
- 复习经典推荐系统论文（如DeepFM, DIN, MMOE等）及最新大模型在推荐领域的进展
职位点评
薪资福利80
成长发展92
工作生活45
使命价值70
薪资福利
80较高
薪资福利虽未在JD中披露，但作为一线互联网大厂核心商业化岗位，整体薪酬结构对标市场高位，绩效激励明确，补偿性动机满足度较高。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
92较高
团队聚焦生成式推荐与大模型等前沿方向，鼓励顶会论文发表与技术创新，提供极佳的学术与工程双重成长环境。
技术前沿前沿/新兴技术
技术栈CTR/CVR预估、生成式推荐、多模态表征学习、端到端统一建模、PyTorch、Spark
业务类型profit_center
工作生活
45较低
互联网大厂核心研发岗通常要求坐班，工作强度与交付压力较大，WLB信号未提及，生活化动机满足程度有限。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
岗位直接赋能平台商业化效率与商户经营水平，技术成果具有明确的商业价值与社会经济影响，意义感动机得到较好体现。
行业发展稳定成熟行业
社会影响中性/一般
使命信号帮大家吃得更好，生活更好
创新程度积极采用新技术
Watch Jobs