用户理解算法实习生

优缺点分析

角色解读

• 通过实习积累工业级算法经验，有机会转正成为正式推荐/搜索算法工程师
• 深入理解用户理解和推荐系统，逐步成长为领域专家
• 接触LLM、Agent等前沿技术，向AI算法方向持续进阶
• 基于小红书海量用户行为数据，运用迁移学习、多目标优化、序列建模等方法构建统一的用户表征和兴趣模型
• 推动LLM、Agent等前沿技术在推荐、搜索、广告、电商等核心场景的落地，优化用户体验
• 构建覆盖全站用户兴趣变迁和消费意图的知识基座，提升场景效果
• 扎实的机器学习、深度学习、数据挖掘理论基础，熟练使用TensorFlow或PyTorch等框架
• 强悍的编程能力，精通C++、Python、Java或Scala中的至少一门语言
• 有搜索、推荐、广告系统的项目经验或实习经历者优先
• 良好的沟通协作能力和探索欲望，乐于钻研新技术并实践

申请策略

• 在简历和面试中展现对小红书产品和用户社区的深入理解，提出独特的优化想法
• 提前准备一个完整的算法项目案例，包括问题定义、解决方案、实验对比和效果分析
• 突出与推荐、搜索、广告相关的项目经历或实习经验，尤其是涉及用户画像、序列建模、多目标优化等内容
• 强调编程能力和深度学习框架使用经验，附带GitHub链接或技术博客
• 如有竞赛获奖（如Kaggle、天池）或论文发表（尤其是迁移学习、推荐系统方向）会加分
• 展示对新技术（如LLM、Agent）的学习热情和实践尝试，例如相关项目或探索
• 复习推荐系统经典模型（如DIN、DIEN、MMOE等）和最新进展（如多场景建模、自监督学习）
• 了解LLM在推荐中的应用，如利用大模型做特征生成、用户意图理解等

面试指南

• 对于算法设计题，采用“问题分析→方法选择→关键步骤→效果评估”的结构，突出你的思考过程
• 对于场景应用题，结合小红书的具体业务（如内容推荐、电商）提出可行方案，并说明预期效果和局限性
• 对于编程题，先讨论复杂度，再写代码，注意边界条件和代码规范
• 请解释你如何利用用户行为序列构建用户兴趣向量？
• 在多场景多目标优化中，如何处理场景差异和目标冲突？
• 迁移学习在推荐系统中有哪些应用场景？请举例说明
• 如果你要在小红书的推荐场景中引入LLM，你会怎么做？
• 一道编程题：实现一个简单的协同过滤或矩阵分解算法