滴滴出行
27届秋招-算法工程师-国际化地图
27届秋招-算法工程师-国际化地图
发布于 大约 11 小时前普通员工/个人贡献者
北京市
无经验要求
全职员工
仅现场办公
本科
机器学习工程
Eta预估
Gnn
Llm
推荐系统
数据挖掘
机器学习
深度学习
特征工程
路径规划
AI 估算 · 25k–40k
滴滴国际化核心算法岗，技术前沿，校招薪资在互联网大厂中具有竞争力。
职位详情
关于这个职位
作为滴滴国际化地图算法工程师，你将参与核心出行引擎的优化，包括上下车点推荐、路径规划、ETA预估等
工作涉及海量数据处理和深度学习模型应用，适合有扎实算法基础和对前沿技术有热情的毕业生
最低要求
届毕业生，本科及以上学历
编程基础扎实，熟悉常用算法与数据结构，至少熟悉一门编程语言并有开发经验，如C++、Java、Scala、Python等
有机器学习、数据挖掘、计算机视觉与图像处理、语音识别与合成、自然语言处理、统计学、最优化理论、分布式计算、自动控制等至少一个方向相关基础
踏实勤奋，自我驱动，善于沟通，动手能力强，视野开阔，具有创造性思维
工作职责
基于滴滴国际化海量的出行数据（四轮、摩托、外卖），利用数据挖掘、机器学习等技术，优化上下车点推荐、地址解析、路况预测、路径规划、ETA（到达时间预估）、EDA（预估到达距离）等引擎
上下车点推荐引擎：基于滴滴出行的大数据，深入理解不同国家的业务特点，推动上下车点推荐引擎效果提升
理解世界不同国家的地理领域知识，还原物理世界，并结合出行领域的用户（司机+乘客）行为特点，构建完善的特征工程
借助时序建模、MTMS(Multi-Task and Multi-Scene)的深度学习算法，综合提升各类场景的推荐效果
提升出行体验和平台效率，保障司乘安全
路线规划引擎：不同国家有不同的地理特性，不同的业务对路线规划也有差异化的需求
深入理解不同地区和业务的特点，借助序列建模、排序、多任务等手段，优化路线的召回、排序、重排等链路
时间/里程/价格/路况等预估引擎：深入研究不同国家、不同业务（四轮车、摩托）、不同打车链路（预估、分单、接驾、送驾等）中的时间/距离/价格/路况预估任务，构建不同场景下独有及共享的底层数据体系，建设地理特征、用户画像、历史行为及偏好等特征工程，借助因果推断、GNN、MTMS、online-learning等技术，提升预估准确性，提升司机和乘客的体验及打车效率
探索学术前沿技术，参与LLM、GNN、Online Learning、Reinforcement Learning等在交通领域的应用落地
优先资格
计算机、电子工程、自动化及数学等相关专业优先
有相关项目经验者优先
了解海量数据处理技术，有使用Hadoop、Hive、Spark等大数据平台分析海量数据的能力和经验者优先
AI 洞察
优缺点分析
优点
- 涉及LLM、GNN等前沿技术，有大量实践和应用机会，个人成长快
- 大厂平台，薪资福利有竞争力，职业发展路径清晰
- 国际化业务涉及多国家多场景，需要适应复杂多变的业务需求
- 对工程实现和模型效果要求高，需要扎实的代码能力和问题建模能力
缺点 / 挑战
- 滴滴国际化业务发展迅速，数据量大、场景丰富，技术挑战性强
- 算法岗竞争激烈，需要持续学习和创新，工作压力可能较大
- 适合对机器学习算法有扎实基础，热爱挑战、希望在国际化场景中打磨技术并追求快速成长的校招生
角色解读
- 从算法工程师起步，深入垂直领域（如地图、推荐、预估），成为技术专家
- 向技术管理方向发展，带领团队负责核心引擎的迭代
- 结合国际化业务，积累跨境和多元场景经验，成为行业稀缺人才
- 利用海量出行数据优化上下车点推荐、地址解析、路况预测、路径规划、ETA/EDA等核心引擎
- 深入理解不同国家的业务特点，构建特征工程，应用MTMS、时序建模等深度学习算法提升推荐效果
- 参与路线规划链路的召回、排序、重排优化，以及时间/距离/价格/路况的预估建模
- 探索LLM、GNN、Online Learning、强化学习在交通领域的应用落地
- 扎实的编程基础，熟悉C++、Java、Scala、Python等至少一门语言，掌握常用算法与数据结构
- 具备机器学习、数据挖掘、NLP、CV等至少一个方向的理论基础和实践经验
- 了解Hadoop、Hive、Spark等大数据处理技术，能够处理海量数据
- 自我驱动，沟通能力强，具有创造性思维和跨文化协作能力
申请策略
- 深入了解滴滴国际化业务，特别是地图和出行领域的挑战，准备相关思考
- 关注公司招聘流程，针对秋招提前准备笔试和面试环节
- 突出机器学习或数据挖掘相关的项目经历，尤其是推荐、预测、时空数据等方向
- 强调编程能力和大数据处理经验，如使用Spark、Hive进行数据分析
- 如果有竞赛或论文，重点展示与业务相关的成果
- 体现自我驱动和跨文化协作能力，例如参与开源项目或国际交流
- 复习机器学习经典模型和深度学习框架（PyTorch/TensorFlow）
- 学习图神经网络、在线学习、强化学习等前沿方法，了解其在推荐和路径规划中的应用
面试指南
- 对于项目介绍，用STAR法则（情境、任务、行动、结果）清晰表述，并突出你的贡献和技术亮点
- 对于开放性问题，先拆解问题，提出关键难点，再给出候选方案和取舍，最后联系实际业务
- 对于算法问题，从数据到模型到评估完整思考，注意工程可行性
- 请介绍一个你做的机器学习项目，包括问题建模、特征工程和效果评估
- 如何解决上下车点推荐中的冷启动问题？
- 你了解哪些时序预测或推荐算法？它们在ETA预估中可能如何应用？
- 给定海量GPS轨迹数据，你会如何设计路径规划的特征？
- 谈谈你对LLM在地图或出行领域应用的看法
职位点评
73
综合评分
滴滴国际化算法岗，技术前沿成长快，薪资竞争力强，但工作强度较高且需现场办公。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
更适合这类人
适合追求技术成长、渴望挑战复杂算法问题，且能接受高强度工作的应届生。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展90
工作生活45
使命价值60
薪资福利
80较高
滴滴作为上市公司，算法岗位薪资福利在行业中较有竞争力，但JD未披露具体数字。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
90较高
职位涉及LLM、GNN等前沿技术，数据量和业务复杂度高，能提供极佳的技术成长空间。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、LLM、GNN、在线学习、强化学习、Hadoop、Spark
业务类型ambiguous
工作生活
45较低
工作地点在北京，要求现场办公，JD未提及弹性工作或WLB，互联网算法岗通常强度较高。
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
60中等
滴滴出行服务全球用户，对城市出行效率有积极影响，但作为商业公司，个人意义感取决于业务认同。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
滴滴出行 的其他在招职位
相似职位推荐
Watch Jobs