地图事业部-算法实习生（5）

优缺点分析

角色解读

• 深耕推荐/规划算法领域，成长为算法专家或技术负责人，解决更复杂的跨领域技术问题
• 转向AI技术研究或算法工程化方向，推动前沿技术在复杂业务场景的规模化应用
• 积累国际化业务经验后，可转向技术管理或产品技术复合型岗位
• 负责优化打车、外卖等国际化业务中的推荐引擎（如上下车点推荐），结合多国地理与用户行为差异提升推荐精准度
• 优化路线规划与到达时间预估引擎，运用图算法、序列建模等技术处理复杂的路网与用户行为数据
• 探索大模型（LLM）、生成式推荐等前沿学术技术在实际交通场景中的落地应用
• 利用AI coding和Agent机制，探索自动化研究框架，提升研发效率
• 扎实的搜索、广告、推荐（搜广推）算法基础，熟悉CTR/CVR等经典模型
• 熟练的编程能力（Python/Scala）和机器学习框架使用能力（TensorFlow/PyTorch）
• 扎实的数据结构与算法设计能力，熟悉图算法、因果推断、GNN等技术
• 对大语言模型（LLM）微调技术（如RAG, LoRA）有一定了解和实践经验者优先

申请策略

• 仔细阅读JD中各引擎的职责描述，在面试前思考可能的技术方案（如推荐系统如何构建样本、规划算法如何排序）
• 了解滴滴国际化业务（如DiDi app在海外市场的运作）和地图部门在其中的核心作用，展示你的业务理解
• 重点突出与搜广推、数据挖掘相关的项目经历，尤其是涉及特征工程、模型优化的成果
• 展示熟练的Python编程能力和使用TensorFlow/PyTorch进行模型开发的经验
• 如有LLM微调（如LoRA、RAG）或使用AI工具进行代码开发的经历，务必详细描述
• 突出解决复杂问题的思路，例如如何针对特定场景设计特征、优化模型的案例
• 系统复习推荐系统经典算法（如CTR模型），并了解图神经网络（GNN）在交通推荐中的应用
• 动手实践大语言模型微调（如使用Hugging Face框架进行LoRA微调），理解其基本流程

面试指南

• STAR法则：清晰描述项目背景（Situation）、你的任务（Task）、采取的行动（Action）和最终结果（Result）
• 结构化思考：回答技术问题时，可从问题定义、数据特点、模型选型、特征工程、评估指标等维度展开
• 结合业务：将技术方案与滴滴的业务场景（如提升碰面效率、降低预估误差）联系起来，体现业务价值
• 请介绍一个你做过的推荐系统或数据挖掘项目，重点说明你的思路、遇到的难点以及如何解决的
• 在打车场景中，如何为用户推荐合适的上下车点？请从特征构建、模型选择等角度阐述
• 路径规划问题中，如何对多条候选路线进行排序和选择？可以介绍一些常用的算法或思路
• 你了解大语言模型（LLM）吗？请谈谈RAG或LoRA的基本原理及其适用场景
• 如果让你用AI coding工具来自动化分析一份交通数据，你会设计怎样的流程？