搜索算法工程师【2027届】

优缺点分析

角色解读

• 从搜索算法工程师起步，逐步深入召回、排序、相关性等方向，成为领域专家
• 横向发展，可转向推荐、广告、NLP或多模态算法方向，拓宽技术视野
• 纵向晋升，可成长为技术Leader或资深算法专家，带领团队进行核心算法创新
• 负责搜索场景下的召回模型迭代，提升个性化推荐能力，让用户更快找到想看的内容
• 优化相关性模型与Query意图模型，深入理解用户搜索意图，平衡相关性与搜索效率
• 利用大语言模型（LLM）优化视频内容的多模态嵌入，提升对视频内容的理解，并服务全链路算法模块
• 优化点击率、转化率、时长等核心模型，并调整全链路排序策略，提升搜索整体质量
• 扎实的编程能力，熟练掌握Python/C++/Java等至少一门语言，能够快速实现算法原型
• 具备机器学习/深度学习理论基础，熟练使用TensorFlow或PyTorch等框架进行模型训练和调优
• 了解大数据处理工具（如Hadoop、Spark、Flink），能够处理海量用户行为数据
• 具备良好的逻辑思维和问题解决能力，对搜索、推荐、LLM等方向有技术热情

申请策略

• 关注B站校园招聘官网或公众号，了解具体面试流程和时间节点
• 提前了解B站的内容生态和搜索功能，在面试中结合具体场景展示思考
• 突出机器学习/深度学习项目经历，尤其是搜索、推荐或NLP相关项目，展示模型设计、训练和效果优化的过程
• 强调编程能力和算法竞赛经历（如ACM、Kaggle等），体现扎实的代码功底
• 如有LLM、多模态、Embedding等相关技术实践经验，务必重点展示
• 提及使用过TensorFlow/PyTorch、Hadoop/Spark等工具，体现工程能力
• 系统复习机器学习经典算法和深度学习原理，特别是排序模型（如DIN、DCN）、召回模型（如双塔）等
• 自学大语言模型的基础知识，如Transformer、Prompt Engineering、RAG等，尝试动手微调一个LLM

面试指南

• 从问题定义、输入数据、模型选型、训练优化、评估指标几个方面系统回答，体现结构化思维
• 结合实际项目经验，用具体的数据和效果来说明你的方案有效性
• 对于开放性问题，先给出一个基础方案，再提出可能的优化方向，展现解决问题和持续迭代的思维
• 如何设计一个视频搜索的召回模型？请描述从特征到模型的完整方案
• 谈谈你对多目标排序的理解，如何平衡点击率、时长和用户满意度？
• 你了解Transformer吗？如何将其应用于多模态视频内容理解？
• 对给定一个搜索query，如何判断与视频的相关性？请给出思路
• 你有使用过TensorFlow或PyTorch构建模型的经验吗？遇到哪些挑战？