资深推荐算法工程师

优缺点分析

角色解读

• 从资深工程师成长为推荐算法专家，负责整体技术架构
• 向技术管理方向转型，带领算法团队
• 横向扩展到广告、搜索等相关领域
• 负责推荐、广告、搜索等核心业务的算法模型创新，如GR模型、DLRM模型的落地与优化
• 优化深度转化目标（如后验转化率），直接提升商业收入
• 研发和优化大规模分布式训练框架，支持GPU+CPU混合训练大语言模型和推荐模型
• 深入理解生成式推荐和传统深度学习模型结构及理论
• 熟练掌握至少一种深度学习框架（TensorFlow/PyTorch/Megatron）
• 具备模型效果分析、迭代和工程优化能力
• 有GPU/CPU训练框架优化经验者优先

申请策略

• 提前了解vivo的APP生态（如应用商店、浏览器等），思考算法如何赋能
• 准备一个完整的从模型设计到上线的项目案例，体现算法和工程能力
• 突出推荐算法项目经验，特别是GR/DLRM等模型创新和落地案例
• 强调深度转化优化实验和效果提升数据
• 展示大规模分布式训练框架（GPU/CPU）的优化经验
• 补充大语言模型（如LLM）在推荐系统中的应用知识
• 深入学习Megatron等分布式训练框架的原理
• 提升模型效果分析和A/B测试方法论

面试指南

• STAR法则：情境-任务-行动-结果，结构化描述项目
• 技术原理+实践：先讲理论理解，再结合业务场景说明如何落地
• 问题导向：分析问题根因，对比多种方案，给出合理选择
• 请详细介绍一下你负责的一个推荐模型优化项目，包括背景、方案和效果
• 如何优化深度转化目标（如购买、安装）？请举例说明
• 在大规模分布式训练中，你遇到过哪些性能瓶颈？如何解决的？
• 对生成式推荐模型有哪些了解？与传统DNN模型相比有何优势？
• 请解释TensorFlow和PyTorch在分布式训练上的主要区别