百度
搜广推算法工程师（J106791）
搜广推算法工程师（J106791）
发布于 7 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
A/B实验
Pytorch
Tensorflow
向量检索
广告算法
推荐系统
搜索算法
机器学习
深度学习
值不值得投
薪资怎么样
4.5万
比算法优化工程师中位数高
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 1420 个在招 · 其中算法优化工程师 13 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 360 个在招
职位详情
关于这个职位
在百度负责搜索、推荐、商业广告三大核心场景的算法研发，覆盖召回、粗排、精排、多目标排序、CTR/CVR 预估等全链路优化
需要基于 TensorFlow/PyTorch 构建深度模型并推动 A/B 实验落地，同时探索大模型、强化学习、图神经网络等前沿技术在搜广推场景的应用
最低要求
本科及以上学历，计算机、AI、应用数学、统计学、电子信息等相关专业
基础扎实，熟练掌握数据结构、算法、操作系统、计算机网络、数据库
扎实的机器学习、深度学习理论基础：熟悉 LR、GBDT、FM、DeepFM、DIN、SASRec、MMOE、多目标学习、强化学习、向量检索等搜广推经典模型原理
熟练使用 Python，掌握至少一种深度学习框架（PyTorch/TensorFlow）
了解 SQL、Hive/Spark 大数据处理，能独立完成特征提取、离线数据分析
熟悉常用向量检索引擎优先：FAISS、Milvus、RecallDB
了解 Redis、Kafka、分布式训练基础
工作职责
搜索算法研发：负责检索全链路优化——召回（向量召回、多路召回、倒排索引优化）、粗排/精排、多目标排序、搜索意图理解、query 改写、纠错、类目匹配、相关性模型迭代，提升搜索点击率、转化率、搜索满意度指标
推荐系统算法研发：搭建用户个性化推荐体系，完成用户行为建模、兴趣挖掘、序列建模、多场景冷启动、多样性&公平性调控、长短期兴趣融合、多任务学习，以及推荐召回/排序/重排模型迭代，优化留存、时长、GMV、点击等核心业务指标
商业广告算法研发：负责信息流广告、搜索广告 CTR/CVR 预估、出价机制、预算调控、流量分配、广告生态平衡、转化归因、反作弊、ROI 优化，平衡平台收益、广告主效果与用户体验
模型与工程落地：基于 TensorFlow/PyTorch 构建深度模型（DeepFM、DIN、DIEN、SASRec、Transformer、多目标 MMOE、PLE、宽深系列等）
参与特征工程、样本筛选、离线训练、在线推理优化
设计 A/B 实验体系，通过数据实验验证算法收益并规模化上线
数据与策略迭代：深入分析用户行为日志、曝光点击转化数据，挖掘业务痛点
设计用户分层、流量分层、冷启动、生态调控策略
沉淀算法工具、特征平台、训练框架，提升团队迭代效率
前沿技术落地：跟进大模型、多模态、强化学习、图神经网络、LLM 检索、个性化 Agent 等前沿技术，探索在搜广推场景落地，解决长尾召回、意图模糊、冷启动等行业难题
优先资格
熟悉常用向量检索引擎优先：FAISS、Milvus、RecallDB
了解 Redis、Kafka、分布式训练基础
AI 洞察
优缺点分析
优点
- 覆盖搜索、推荐、广告三大核心场景，算法链路完整，技术广度与深度都能得到锻炼
- 明确鼓励跟进大模型、强化学习、图神经网络等前沿技术，技术成长空间大
- 平台流量大、数据丰富，A/B 实验与业务收益验证闭环清晰
- 京沪双城可选，工作地点有一定灵活性
- 搜广推链路长、指标多，需要在点击率、转化率、GMV、用户体验之间反复权衡
- 模型与工程并重，既要懂算法原理，也要能做在线推理优化与分布式训练
- 前沿技术落地难度高，长尾召回、冷启动、意图模糊等问题短期内难以彻底解决
- 适合机器学习基础扎实、希望在大流量真实场景中打磨搜广推全链路能力，并对前沿技术落地有热情的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 可从单场景算法工程师成长为覆盖搜广推全链路的算法专家
- 随着大模型、多模态、Agent 等技术落地，可向 LLM 检索增强、生成式推荐等前沿方向拓展
- 具备模型+工程+业务实验的复合能力后，可转向算法团队负责人或技术专家路线
- 面向搜索、推荐、商业广告三大场景做全链路算法优化，从召回、粗排、精排到重排逐层迭代
- 基于用户行为日志与曝光点击数据建模，迭代 CTR/CVR 预估、多目标排序、序列建模等核心模型
- 负责特征工程、样本筛选、离线训练与在线推理优化，并设计 A/B 实验验证收益
- 跟进大模型、强化学习、图神经网络等前沿技术，并尝试在搜广推场景落地
- 扎实的机器学习与深度学习基础，熟悉 DeepFM、DIN、SASRec、MMOE 等搜广推经典模型
- 熟练使用 Python，掌握 PyTorch/TensorFlow 之一，能独立完成建模与训练
- 具备 SQL、Hive/Spark 大数据处理能力，能做特征提取与离线数据分析
- 了解向量检索（FAISS、Milvus）、Redis/Kafka、分布式训练等工程能力者更佳
申请策略
- 投递时明确希望的工作城市（北京或上海），便于 HR 匹配团队
- 提前了解百度搜索、信息流、广告等业务线现状，面试中体现业务理解
- 突出搜广推相关项目经历，量化说明召回/排序模型带来的点击率、转化率或 GMV 提升
- 写明使用过的深度模型（DeepFM、DIN、MMOE 等）及其解决的问题和效果
- 展示工程能力：特征工程、离线训练、在线推理优化、A/B 实验设计经验
- 如有大模型、向量检索、强化学习相关实践，务必单独列出
- 系统复习搜广推经典模型原理与适用场景，能讲清各模型的取舍
- 补充向量检索（FAISS/Milvus）与分布式训练、Spark 数据处理等工程技能
面试指南
- 项目类问题用 STAR 结构：背景—目标—方案—指标结果，重点讲清技术取舍与量化收益
- 模型原理类问题先讲动机与痛点，再讲结构设计，最后讲适用场景与局限
- 开放设计类问题先明确业务目标和约束，再分层给出方案与评估方式
- 请介绍一个你做过的召回或排序优化项目，指标提升了多少，关键改动是什么？
- DIN、DIEN、SASRec、MMOE 这几个模型分别解决什么问题，你会如何选型？
- 如何设计一个多目标排序模型，平衡点击率与用户体验？
- 大规模向量召回如何做到低延迟高召回，FAISS 与 Milvus 的差异是什么？
- 如何设计 A/B 实验验证算法收益，遇到指标不显著时怎么排查？
百度 的其他在招职位
相似职位推荐
Watch Jobs