广告算法工程师（召回与智能策略方向）

优缺点分析

角色解读

• 在广告算法领域深耕，逐步成为推荐、搜索或计算广告方向的技术专家
• 向策略、产品或技术管理方向发展，例如成为广告算法团队负责人或策略产品经理
• 在AI应用前沿持续探索，成为在大模型落地、智能体系统构建等方向有影响力的工程师或架构师
• 构建和优化广告召回模型，包括特征工程、模型训练与效果评估，直接提升广告匹配效率
• 负责算法从实验到上线的全流程，包括离线分析、A/B测试、问题归因和效果监控
• 探索并应用大语言模型（LLM）与智能体（Agent）技术，赋能广告策略分析与自动化工作流，推动业务创新
• 扎实的机器学习与深度学习基础，熟悉推荐/广告系统中的召回、排序、CTR/CVR预估等核心概念
• 熟练使用Python进行数据处理和模型开发，熟悉Spark等大数据工具，并有PyTorch或TensorFlow实践经验
• 优秀的数据分析与问题定位能力，能够基于实验数据驱动优化决策，并具备良好的团队协作与工程交付意识

申请策略

• 研究爱奇艺的广告产品形态、推荐内容（如影视、短视频）及其商业模式，思考算法如何为其创造价值
• 在面试中主动将过往经历与该职位要求（如召回优化、大模型应用）联系起来，展现你的岗位理解与匹配度
• 重点突出与推荐、广告、搜索相关的项目经验，清晰描述在特征构建、模型选择、实验设计及效果提升方面的具体贡献
• 详细列举使用的编程语言（Python）、框架（PyTorch/TensorFlow）、大数据工具（Spark/Hive）及处理过的数据规模，体现工程能力
• 如有大模型（如RAG、Agent）或ABTest、数据分析方面的实践，务必单独成段描述，这是重要的加分项
• 体现独立解决问题和与团队协作完成项目的经历，强调责任心和主动学习能力
• 系统复习CTR/CVR预估、召回模型（如双塔、ItemCF等）的经典论文与实践，加深理论理解
• 动手实践一个完整的推荐或广告小项目，涵盖数据处理、特征工程、模型训练、离线评估全链路

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化描述项目，突出技术决策和量化结果
• 回答效果评估问题时，从离线指标（如AUC、F1、召回率）和在线指标（CTR、CVR、收入）两个维度展开，并说明各自的适用场景
• 回答故障排查问题时，展示系统性思维：从影响范围、数据链路、特征、模型、流量等多维度逐步缩小问题范围
• 请介绍一个你参与过的推荐/广告算法项目，重点说明你在其中的角色、使用的技术方案以及取得的效果
• 如何评估一个召回模型的效果？除了AUC/CTR，你会关注哪些离线或在线指标？
• 如果线上广告CTR出现异常下跌，你会如何排查和定位问题？
• 你如何看待大语言模型在广告系统中的应用前景？可以举一些你设想的场景吗？
• 请简述Spark在广告数据处理中的一种常见应用场景，以及你使用Spark处理数据的经验