快手
【快Star】社交生成式推荐算法工程师
【快Star】社交生成式推荐算法工程师
发布于 大约 3 小时前普通员工/个人贡献者
北京市
初级经验
全职员工
仅现场办公
硕士
软件工程
深度学习
PyTorch
推荐系统
模型压缩
大语言模型
社交网络
少样本学习
冷启动
生成式推荐
AI 估算 · 20k–30k
快手大厂校招算法岗，北京，硕士，前沿技术方向，薪资有竞争力。
职位详情
关于这个职位
作为快手「快Star」项目的生成式推荐算法工程师，你将探索大模型与推荐系统的深度融合，解决社交分享场景中的内容分发与用户连接问题
工作涉及生成式排序、冷启动、长尾稀疏优化及模型部署，适合对推荐系统和大模型技术有热情的应届硕博
最低要求
硕士及以上学历，计算机、人工智能、统计学、数学等相关专业
扎实的机器学习与深度学习基础，熟悉推荐系统核心技术（召回、排序、重排），了解生成式推荐相关前沿进展
熟悉大语言模型基本原理及后训练技术（SFT、RLHF等），具备将LLM能力迁移至推荐场景的研究或工程经验
较强的工程实现能力，熟悉主流深度学习框架（PyTorch等）及大规模分布式训练与推理优化方法
工作职责
探索生成式推荐范式在社交分享场景下的技术创新与落地，包括但不限于生成式排序模型设计、用户意图建模、个性化内容生成等，持续提升社交分享链路中的内容分发效率与用户连接价值
研究并解决生成式推荐中的长尾稀疏问题，包括但不限于低频样本的模型偏差修正、泛化能力优化、稀疏场景下的表征学习等，提升推荐系统在海量长尾内容上的覆盖与质量
探索大模型语义推理与少样本学习在冷启动场景中的应用，实现无历史交互用户及内容的零样本精准推荐，突破传统协同过滤在冷启动场景下的瓶颈
研究推荐模型的压缩与加速技术，在保障实时性与生成质量的前提下，突破高昂推理成本与算力瓶颈，推动生成式推荐系统的大规模工程落地
构建社交双边反馈建模机制，同时捕捉分享者与接收者的行为信号，设计兼顾长短期价值的优化目标，平衡生态健康与用户体验
优先资格
在推荐系统、社交网络分析、生成式模型等方向有顶级国际会议论文发表（如KDD、WWW、RecSys、NeurIPS、ICML等）
有大规模推荐系统或生成式模型的工业落地经验，熟悉在线学习、实时推理等工程挑战
对社交分享行为、内容传播机制有深入理解，具备双边市场或生态建模相关经验
在ACM-ICPC/NOI/IOI编程竞赛或Kaggle等机器学习竞赛中获得奖项
AI 洞察
优缺点分析
优点
- 聚焦生成式推荐前沿方向，与LLM结合，技能价值高
- 快Star项目有完善的培养体系，适合应届生快速融入
- 生成式推荐尚在探索阶段，不确定性高，需要较强的研究能力
- 工作强度可能较大，涉及大规模模型训练和线上部署
- 对多领域知识要求高（推荐、NLP、工程），学习曲线陡峭
- 适合对推荐系统和生成式AI有浓厚兴趣、具备较强学习能力和工程能力的应届硕博
缺点 / 挑战
- 快手大厂平台，海量真实数据，技术挑战大，成长快
角色解读
- 从算法工程师成长为推荐系统技术专家，深入生成式推荐前沿
- 可以转向大模型应用、社交网络分析等方向
- 在快手内部有机会晋升为团队技术负责人或架构师
- 设计并实现生成式推荐模型，用于社交分享场景的内容推荐与用户连接
- 解决长尾稀疏问题，优化模型在低频样本上的表现，提升推荐覆盖
- 应用大模型进行冷启动推荐，实现零样本精准推荐
- 压缩和加速推荐模型以支持大规模实时推理
- 扎实的机器学习和深度学习基础，熟悉推荐系统核心流程
- 掌握大语言模型原理及后训练技术（SFT、RLHF）
- 熟练使用PyTorch等框架，具备大规模分布式训练经验
- 具备工程实现能力，能处理在线学习和实时推理挑战
申请策略
- 关注快手技术博客和开源项目，了解其推荐技术栈
- 在简历中量化成果，如提升XX%的推荐效果
- 突出推荐系统相关项目经历，尤其是生成式模型或LLM应用
- 强调论文发表或竞赛获奖，特别是KDD、NeurIPS等顶会
- 展示工程能力，如分布式训练、模型部署经验
- 如果有社交网络或双边市场相关研究，务必提及
- 系统学习LLM后训练技术（SFT、RLHF），并动手实践
- 复习推荐系统经典论文和生成式推荐最新进展
面试指南
- 对于技术问题，先给出核心原理，再结合实际案例展开
- 对于开放设计题，明确问题定义，分步骤提出方案，并权衡利弊
- 对于项目经验，按“背景-方案-结果”结构陈述，突出个人贡献和量化收益
- 请解释生成式推荐与传统推荐的区别，并举例应用场景
- 如何解决长尾推荐中的稀疏性问题？请提出具体方法
- 简述LLM在冷启动推荐中的潜在应用和挑战
- 如何设计一个社交双边反馈模型？考虑哪些因素？
- 介绍一个你参与过的推荐系统项目，包括模型设计、工程实现和效果评估
职位点评
66
综合评分
快手校招算法岗，前沿生成式推荐方向，技术成长快但工作强度大。
更适合这类人
适合发展动机强、追求技术成长、能接受高强度工作的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活40
使命价值60
薪资福利
75中等
快手大厂，薪资有竞争力，但未明确列出福利，作为校招项目稳定性高。
薪资信号未披露（AI估算：20K-30K/月）
成长发展
90较高
职位聚焦生成式推荐前沿技术，涉及LLM、大规模工程，成长空间极大。
技术前沿前沿/新兴技术
技术栈生成式推荐、大语言模型、SFT、RLHF、PyTorch、分布式训练
业务类型profit_center
工作生活
40较低
仅现场办公，北京，互联网大厂通常工作强度较大，未提WLB。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
60中等
社交分享推荐有较强的用户价值，但职位描述未强调社会使命感。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs