广告算法工程师

优缺点分析

角色解读

• 纵向成长为推荐算法专家或架构师，深入广告算法核心领域
• 横向拓展至搜索、NLP、计算机视觉等相关算法方向，拓宽技术栈
• 在管理方向可转向技术 Leader 或团队负责人，带领算法小组
• 负责广告推荐系统的算法研发，涉及召回、粗排、精排、出价等全链路策略优化
• 通过深度学习模型和特征工程提升广告点击率和转化率，平衡收入与用户体验
• 与产品、工程团队协作，分析业务数据，定位问题并推动算法迭代
• 扎实的编程能力，熟练掌握 C++/Python，具备 Spark、Scala 等大数据处理经验
• 深入理解机器学习与深度学习模型（如 LR、DNN、FM、Transformer 等），有实际调优经验
• 熟悉 TensorFlow 或 PyTorch 分布式训练框架，能在大规模数据下高效建模
• 具备业务思维和全链路分析能力，能从产品、工程角度协同解决问题

申请策略

• 在简历中用量化指标（如收入提升百分比、CTR 提升幅度）来证明你的贡献
• 了解 vivo 广告业务（如游戏联运、信息流广告）的特点，在面试中展示业务理解
• 突出推荐系统或广告算法的实际项目经验，包括场景、模型、效果提升数据
• 展示在分布式训练框架（TensorFlow/PyTorch）上的使用经验和优化案例
• 强调编程能力，特别是 C++ 和 Python 的熟练度，以及大数据处理工具（Spark）的应用
• 如果缺乏广告领域经验，可提前学习广告系统基础（如 CTR 预估、出价策略）
• 补充深度学习模型的工程落地知识，如模型压缩、在线推理优化

面试指南

• 对于项目介绍，使用 STAR 法则（情境、任务、行动、结果），重点突出数据、模型、效果
• 对于技术原理问题，先阐述基本概念，再结合实际场景说明选型理由和调优经验
• 请介绍一个你优化过的推荐或广告算法项目，包括问题、方案和效果
• 广告 CTR 预估中如何处理样本偏差（如选择偏差、曝光偏差）？
• 如何设计召回层？常用方法有哪些？各自的优缺点？
• 在大规模数据下，如何做模型训练的分布式加速？
• 请解释广告竞价中的出价策略（如 GSP、VCG）及其对平台收益的影响
• 复习推荐系统和广告算法经典论文（如 Wide&Deep、DeepFM、DIN 等）