【REDstar】用户理解算法工程师

优缺点分析

角色解读

• 从算法工程师起步，可深入用户理解与推荐领域成为专家
• 横向拓展到搜索、广告、电商等多业务场景，成为全栈算法人才
• 随着技术演进，可向LLM Agent、知识图谱等前沿方向转型
• 基于用户行为数据构建统一的用户兴趣表征，产出可解释的用户画像与人群圈层
• 将用户理解能力落地到推荐、搜索、广告等场景，优化核心算法的效果
• 探索大语言模型（LLM）、Agent等前沿技术在用户理解场景的应用
• 扎实的机器学习、深度学习、数据挖掘基础，熟悉推荐系统相关算法
• 熟练使用至少一种深度学习框架（如TensorFlow、PyTorch）
• 精通C++/Python/Java/Scala中的至少一门语言，具备代码实现能力

申请策略

• 关注小红书技术博客和开源项目，了解其技术栈和团队文化
• 准备一个有深度的项目经历，能够清晰讲述技术选型、难点与解决方案
• 突出机器学习/推荐系统相关的项目或实习经历，量化成果（如离线指标提升）
• 若有顶会论文或竞赛获奖，务必重点展示
• 突出编程能力和深度学习框架的使用经验
• 系统复习推荐系统经典模型（双塔、DIN、SIM等）及用户建模方法
• 掌握常见深度学习框架的高级用法（自定义层、分布式训练等）
• 了解LLM、Agent等前沿技术的基础原理及应用案例

面试指南

• 遵循STAR法则（情境-任务-行动-结果），清晰描述项目背景、个人贡献和量化成果
• 对比不同方法的优劣，展示对算法原理的深入理解
• 结合小红书实际业务场景，体现思考的广度和深度
• 请介绍你做过的一个推荐系统项目，包括数据、模型、效果
• 用户兴趣建模常用的方法有哪些？如何解决用户行为稀疏问题？
• 多目标优化中你了解哪些方法（如MMOE、PLE），如何应用于推荐？
• 如何将用户理解能力从推荐场景迁移到搜索或广告场景？
• 谈谈你对LLM在推荐系统中应用的理解和设想