【27届】增长算法实习生-Push方向

优缺点分析

角色解读

• 实习转正为正式算法工程师，深入负责 Push 或推荐方向的业务落地
• 纵向成长为技术专家，在推荐、搜索、NLP 等领域深耕
• 横向拓展至用户增长、策略产品等复合方向，具备产品思维
• 负责小红书消息 Push 的算法设计和优化，包括推送时机、频次控制等，平衡用户体验与业务目标
• 参与推荐系统全链路开发，涵盖召回、粗排、精排、下发策略等模块，提升推送效果和用户增长
• 构建因果推断模型和通用因果平台，为付费、激励等场景提供技术支撑
• 利用数据挖掘和大模型技术，搭建 Push 内容池，实现素材生成与优选，提高推送效率
• 扎实的数据结构和算法功底，熟悉主流机器学习算法（如 LR、GBDT、深度学习等）
• 了解推荐系统或搜索系统的基本流程，具有相关实习经验优先
• 掌握因果推断基础理论，有实际应用经验更佳
• 良好的编程能力，熟悉 Python 等常见开发语言

申请策略

• 关注小红书的技术博客或招聘宣讲，了解团队技术栈和业务重点
• 在简历中突出对小红书产品的理解，如社区生态、Push 场景的独特性
• 突出实习经历中与推荐、搜索或推送相关的项目，描述具体算法改进和效果指标
• 强调数据结构和算法功底，如刷题记录、竞赛获奖等
• 展示因果推断或大模型相关项目经验，哪怕只是课程项目
• 量化成果，如提升点击率、留存等关键指标
• 系统复习推荐系统核心流程（召回、排序、重排），理解经典模型（如 DeepFM、DIN 等）
• 学习因果推断基础概念（ATE、HTE、DID 等），了解常用模型（如 uplift modeling）

面试指南

• 用 STAR 法则回答问题，清晰描述情境、任务、行动和结果
• 对于系统设计类问题，先从需求分解，再给出方案，并考虑权衡（如延迟、性价比、可扩展性）
• 结合小红书的实际场景，展示对业务的理解
• 介绍你在推荐/推送项目中的具体工作，如何优化指标？
• 如何设计一个 Push 推送的触发策略，平衡点击率与用户体验？
• 解释因果推断中的选择偏差问题，以及如何在排序模型中处理？
• 如何评估一个 Push 算法改版的效果？你会设计哪些指标？
• 从海量数据中挖掘内容时，你会如何做内容冷启动？