哔哩哔哩
【B-UP】推荐算法工程师（校招）
【B-UP】推荐算法工程师（校招）
发布于 大约 15 小时前普通员工/个人贡献者
上海市
无经验要求
全职员工
仅现场办公
本科
软件工程
深度学习
PyTorch
TensorFlow
LLM
推荐系统
多模态
大模型
召回
排序
AI 估算 · 20k–30k
上海核心岗位，技术难度高，校招竞争大，薪资竞争力强
职位详情
关于这个职位
作为B站推荐算法工程师，你将参与核心推荐链路的研发与优化，包括召回、排序、多目标学习等模块，利用深度学习和大模型技术提升内容分发效率与用户体验
你将深入理解B站特色的视频、直播、社区互动场景，探索内容多样性、冷启动、UP主扶持等算法策略，推动前沿技术在业务中落地
最低要求
计算机、人工智能、软件工程、数学、统计、电子信息、自动化等优先
具备扎实的数据结构、算法和机器学习基础，了解推荐系统常见方法，如召回、排序、多目标学习、Embedding、序列建模、CTR/CVR 预估
熟练掌握 Python / C++ / Java / Scala 中至少一门编程语言，具备良好工程能力和代码习惯
熟悉 PyTorch / TensorFlow 等深度学习框架，有模型训练、调参、评估或实验经验
具备数据分析能力，熟悉 SQL / Hive / Spark / Flink 等工具者优先
对推荐系统、内容社区和用户体验有兴趣，能结合业务目标和内容生态思考算法问题
具备良好的逻辑思维、学习能力、沟通协作能力，能主动拆解和推进问题
了解大模型、RAG、Prompt Engineering、Agent、多模态理解、语义检索等方向，并愿意探索其在推荐场景中的应用
工作职责
参与 B 站个性化推荐算法研发，优化召回、粗排、精排、重排、多目标排序等核心链路，提升内容分发效率与用户体验
基于用户行为数据，包括播放、点击、点赞、投币、收藏、关注、分享、评论、弹幕、点踩、不感兴趣等信号，构建用户兴趣建模、内容表征和多目标学习方案
参与视频、直播、评论、弹幕等 B 站特色内容场景的推荐策略优化，探索兴趣发现、内容多样性、新内容冷启动、UP 主成长扶持、社区质量治理等问题
跟踪推荐系统、深度学习、大模型、多模态理解、图学习、强化学习、生成式推荐等前沿技术，并推动在真实业务场景中的实验和落地
参与推荐系统数据链路、特征工程、离线训练、在线推理、A/B 实验和效果分析，协助优化大规模推荐服务的稳定性与性能
深入理解产品和业务，通过数据分析发现推荐机制中的问题，提出可验证的算法或策略改进方案，并与产品、工程、运营团队协同推进
参与大模型 API 在推荐系统中的应用探索，包括内容标签生成、视频摘要、评论/弹幕理解、用户兴趣归因、推荐理由生成、冷启动内容理解等方向
结合 LLM、多模态模型与传统推荐算法，探索更高质量的内容表征、用户画像构建、意图理解、候选召回增强和排序特征增强方案
基于大模型能力设计离线标注、弱监督数据构造、特征蒸馏、语义匹配、兴趣聚类等算法流程，提升推荐系统对长尾内容、新内容和复杂兴趣的理解能力
参与大模型推荐相关实验评估，关注模型调用成本、延迟、稳定性、可解释性与线上收益之间的平衡，推动方案从原型验证走向业务落地
优先资格
有推荐、搜索、广告、信息流、视频/直播推荐、内容理解、NLP、多模态、图学习或大模型应用相关经验
熟悉大规模推荐系统链路，包括召回、粗排、精排、重排、特征工程、在线服务、A/B 实验等模块
有 LLM4Rec、生成式推荐、语义召回、向量检索、自动标注、推荐解释、用户兴趣建模等实践经验
有调用 OpenAI、Claude、Gemini、Qwen、DeepSeek、豆包、通义千问等大模型 API 的项目经验，并能结合推荐目标设计评估方式
熟悉 Prompt 优化、RAG、Embedding 检索、LoRA/SFT、模型蒸馏、向量数据库、离线评测集构建等技术
有顶会论文、科研经历，或算法、机器学习竞赛优秀成绩者
是 B 站深度用户、UP 主，或对 B 站内容生态、社区文化、互动机制、创作者成长机制有理解
AI 洞察
优缺点分析
优点
- B站作为高活跃内容社区，推荐算法是核心驱动力，项目影响力大
- 技术栈前沿，涵盖深度学习、大模型、多模态等，成长空间广阔
- 团队技术氛围浓厚，有机会参与顶会论文落地和行业创新
- 推荐系统链路复杂，需要深入理解业务和数据，对综合分析能力要求高
- 该职位适合对推荐系统有浓厚兴趣、技术基础扎实且渴望在快节奏环境中成长的应届毕业生
- 尤其适合有机器学习竞赛或相关项目经验者
缺点 / 挑战
- 大模型应用仍在探索阶段，落地过程中需平衡效果与成本，挑战较大
- 互联网公司工作强度可能较高，需要较强的抗压能力
角色解读
- 从算法工程师成长为技术专家，深耕推荐系统或大模型应用领域
- 可向技术Leader方向发展，带领团队负责推荐核心策略
- 横向拓展至搜索、广告、内容理解等关联领域
- 优化B站推荐系统的召回、粗排、精排、重排等核心链路，提升内容分发效率与用户满意度
- 利用用户行为数据构建兴趣模型和多目标学习方案，处理播放、点赞、弹幕等丰富信号
- 探索大模型在推荐中的应用，如内容标签生成、视频摘要、对话式推荐等
- 与产品、工程、运营团队协作，通过数据分析推动算法迭代和业务目标达成
- 扎实的机器学习基础，熟悉推荐系统常见方法（召回、排序、多目标学习等）
- 熟练掌握Python/C++/Java/Scala至少一门语言，具备良好的工程能力
- 熟悉PyTorch或TensorFlow，有模型训练和调参经验
- 了解大模型、RAG、多模态等前沿方向，有探索意愿
申请策略
- 关注B站业务特点，思考如何将推荐算法与社区生态结合，体现你对B站文化的理解
- 准备一个与推荐或大模型相关的项目案例，能在面试中清晰阐述思路和收获
- 突出推荐系统相关项目或经历，包括召回、排序、多目标学习等具体模块
- 强调深度学习框架使用经验，如PyTorch/TensorFlow，并描述模型训练细节
- 如果有大模型应用经验（如Prompt Engineering、RAG等），务必展示
- 量化项目成果，如提升CTR、用户时长等指标，用数据说话
- 如果缺乏推荐系统经验，可学习经典论文和开源项目，动手实现一个简易推荐系统
- 熟悉大模型API调用和Prompt设计，尝试在推荐场景中进行小实验
面试指南
- STAR法则：清晰描述项目背景、任务、行动和结果，突出你的贡献和量化指标
- 分点回答：针对开放性问题，先列举关键点，再深入展开，展现思维广度
- 结合实际：将算法原理与B站具体场景结合，展示业务理解
- 请详细介绍一个你参与过的推荐系统项目，包括链路、算法和效果
- 如何解决推荐系统中的冷启动问题？请结合B站场景
- 大模型在推荐中可能的应用有哪些？请举例说明其优缺点
- 如何评价推荐系统的效果？你关注哪些指标？
- 实现一个简单的协同过滤推荐，你会怎么设计？
职位点评
71
综合评分
B站核心推荐算法岗，技术前沿，成长空间大，但工作强度较高，WLB一般。
更适合这类人
该职位最适合发展性动机强烈的求职者，即渴望技术成长、愿意投入时间学习前沿技术的人。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展95
工作生活50
使命价值70
薪资福利
70中等
虽未明示薪资，但B站作为上市大厂，薪资福利在行业内有竞争力，且校招通常有完善福利。
薪资信号未披露（AI估算：20K-30K/月）
成长发展
95较高
职位涉及推荐系统和大模型前沿技术，成长空间极大，团队鼓励探索和落地。
技术前沿前沿/新兴技术
技术栈推荐系统、深度学习、大模型、LLM、多模态、PyTorch、TensorFlow、召回、排序
业务类型profit_center
工作生活
50较低
仅现场办公，未提及弹性工作或WLB，互联网推荐岗位通常强度较大。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
B站内容社区影响力大，推荐算法直接影响用户体验，但社会价值中性。
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