资深搜索算法工程师

优缺点分析

角色解读

• 技术纵深发展：成为搜索广告算法领域的专家，负责更复杂的排序、预估和混排策略
• 横向扩展：向推荐、NLP、多模态等方向拓展，结合大模型技术成为AI全栈工程师
• 管理路线：带领算法团队，承担技术负责人或Team Leader角色，负责业务线算法策略
• 负责搜索广告的核心算法研发，包括召回、排序、重排等环节，直接提升广告变现效率
• 深入理解用户搜索意图，构建Query理解和用户兴趣模型，优化广告与自然结果的混排策略
• 建设和优化CTR/CVR预估模型，探索大模型、多模态等前沿技术驱动的广告智能化
• 与搜索、推荐、产品、运营等多团队协作，通过实验和数据分析持续推动算法迭代
• 扎实的机器学习/深度学习基础，熟悉搜索广告或推荐系统架构
• 熟练使用TensorFlow、PyTorch等深度学习框架，具备良好的工程实现能力
• 精通至少一种编程语言（C++/Python/Java），有大规模数据处理和模型部署经验
• 优秀的数据分析和问题解决能力，能够通过实验驱动算法优化

申请策略

• 展示对B站用户生态和内容特点的理解，说明如何针对年轻用户优化广告体验
• 关注B站广告业务的发展方向（如效果广告、品牌广告），在面试中体现商业思维
• 重点突出搜索广告或推荐系统的项目经验，尤其是召回、排序、CTR预估等算法优化实践
• 展示深度学习框架（TensorFlow/PyTorch）的使用深度和工程落地能力，包括大规模模型部署经验
• 强调数据分析能力和A/B实验驱动的优化案例，说明如何通过实验提升核心指标
• 如果有大模型、多模态或向量检索相关经验，务必单独列出以体现前沿技术接触度
• 系统梳理搜索广告全链路知识，包括Query理解、召回、粗排、精排、重排、混排等
• 复习深度学习经典模型（如DIN、DCN、MMOE等）及其在广告场景的应用

面试指南

• 使用STAR法则：描述背景、任务、行动、结果，突出具体贡献和量化指标
• 展示方法论：从问题定义、数据探索、候选方案、实验设计、结果分析到迭代优化
• 体现技术深度：不仅描述做法，还要解释为什么这么做，以及与其他方法的对比
• 请详细描述一个你优化过的搜索广告排序模型，包括特征工程、模型结构、训练策略和线上效果
• 在搜索广告中如何平衡用户点击率和广告收入？请举例说明多目标优化方法
• 大模型在搜索广告中有哪些潜在应用？你如何设计实验来验证其效果？
• 请描述一次你通过数据分析发现问题并推动算法迭代的经历
• 你如何衡量搜索广告与自然搜索结果的混排效果？有哪些关键指标？