汇量科技
广告算法工程师(J13154)
广告算法工程师(J13154)
发布于 大约 6 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Llm
Rtb
工程落地
广告算法
推荐系统
数据分析
机器学习
模型优化
值不值得投
79综合评分
综合评分 79
高成长性技术校招岗，技术栈前沿，业务价值直接，但预期工作强度不低。
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。
薪资怎么样
28K
比算法优化工程师中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
39 个在招
市场机会
选择面较广
北京 · 算法优化工程师 · 约 210 个在招
职位详情
关于这个职位
这是一个面向应届毕业生的算法工程师岗位，主要负责广告系统核心算法的研发与优化
你将参与从问题定义到线上部署的全流程，通过数据分析和模型创新来提升广告的变现效率和用户体验
公司提供从0到1的系统化培训，并与行业资深专家合作
最低要求
本科及以上学历，计算机科学、统计、软件工程、人工智能、数学、物理、建筑学等基础学科专业背景优先
具备极强的逻辑能力、问题抽象与建模能力、数据分析能力
良好的工程代码能力，有扎实的技术功底
有激情且主动性强，遇到困难能够扛住压力，迅速调整心态主动解决问题，并努力寻求积极的结果
对广告系统有整体的优化经验，能从数据循环角度思考系统各个模块的角色和优化目标
针对样本空间、特征设计、模型结构有实战经验，有生成式推荐/LLM背景优先
有RTB相关的策略工作经验优先，如冷启动、预算控制、模型校准、报价策略
工作职责
负责算法从研究到落地的全流程，包括问题定义、方案设计、实验验证和线上部署
通过数据分析和算法创新，优化模型推理性能，完善监控系统，持续提升广告系统的变现效率和用户体验
主动发现广告投放系统中的潜在问题和优化空间，积极参与技术讨论，主动学习并尝试运用新技术解决实际问题
跟踪机器学习领域前沿技术，并将其应用于广告投放的实际问题
优先资格
有生成式推荐/LLM背景优先
有RTB相关的策略工作经验优先，如冷启动、预算控制、模型校准、报价策略
AI 洞察
优缺点分析
优点
- 业务价值可见：算法优化直接与广告收入挂钩，工作成果容易量化和被认可
- 学习资源丰富：与资深专家共事，公司提供系统化培训，校招友好
- 技术迭代快，需持续学习：机器学习与广告技术发展迅速，需要不断跟进前沿论文和实践
- 对工程与业务理解要求高：不仅需要算法能力，还需要理解系统架构、数据循环和广告业务逻辑
- 适合逻辑思维强、热爱技术、对广告算法或推荐系统感兴趣，并希望快速将技术应用于真实商业场景的应届毕业生或初级工程师
缺点 / 挑战
- 技术挑战大，能快速成长：直接处理高并发、大数据量的真实业务问题，技术栈前沿
- 业务指标压力：直接背负变现效率等核心业务指标，需要在效果、体验和成本间寻找平衡
角色解读
- 技术专家路线：深耕广告算法领域，成为搜索/推荐/竞价策略等方向的资深技术专家或架构师
- 技术管理路线：在积累足够经验和领导力后，可以转向技术团队管理岗位，如算法团队负责人
- 业务转型路线：凭借对广告业务和技术的双重理解，转向产品经理、技术解决方案或创业等方向
- 负责广告投放系统中核心算法的全链路开发，从问题定义、模型设计到线上部署与监控
- 运用机器学习技术优化广告推荐模型，提升点击率预估、转化率等核心指标，直接驱动业务收入增长
- 通过数据分析挖掘用户行为和广告投放效果，持续迭代算法策略，解决冷启动、预算控制等实际问题
- 扎实的机器学习与数据挖掘理论基础，熟悉主流算法模型（如深度学习、推荐系统模型）
- 优秀的编程能力（通常为Python），具备良好的工程素养，能实现高效、稳定的线上算法服务
- 强大的数据分析、问题抽象与逻辑建模能力，能从海量数据中发现规律并设计解决方案
- 对广告系统（如RTB、DSP、SSP）或推荐系统有基本了解，理解业务逻辑与技术实现的结合点
申请策略
- 仔细阅读JD，了解汇量科技的广告产品矩阵（如Mintegral），在面试中展示你对该公司业务的初步了解
- 准备STAR法则（情境、任务、行动、结果）的故事，来回答行为面试问题，突出你的主动性和解决问题的能力
- 突出与机器学习、数据分析相关的课程项目、竞赛经历（如Kaggle）或实习项目，强调问题定义、模型选择、实验分析和结果量化的过程
- 展示扎实的编程能力，可以列举熟悉的算法、数据结构，或在GitHub上展示的代码仓库
- 若有广告系统、推荐系统或搜索相关的实践经验（即使是课程设计），务必详细描述，体现对业务的理解
- 系统复习广告系统或推荐系统的核心概念，如RTB流程、特征工程、常用模型（LR, GBDT, DeepFM等）
- 加强工程实践能力，学习如何部署机器学习模型（如使用TensorFlow Serving, ONNX Runtime），了解线上系统的监控与日志
- 深入理解LLM/生成式AI在推荐与广告领域的最新应用方向
面试指南
- 项目经历类问题：使用STAR法则结构化回答，重点突出你的个人贡献、技术决策和量化结果
- 技术概念类问题：先阐述基本原理，再结合广告业务场景（如提升收入、控制成本、优化体验）说明其应用和考量
- 开放性问题：从技术可行性、业务价值、系统影响等多个角度分析，展示你全面思考的能力
- 请介绍一个你印象最深的机器学习项目，从问题定义到模型落地的完整过程是怎样的？
- 如何评估一个广告点击率预估模型的好坏？除了AUC，你会关注哪些业务指标？
- 如果广告主预算突然耗尽，系统应如何应对？请描述你的思路
- 你如何看待LLM在广告推荐系统中的应用前景？
- 复盘自己的项目经历，提炼出2-3个能体现技术深度和业务价值的亮点，并准备好详细的问答
职位点评
薪资福利80
成长发展95
工作生活55
使命价值70
薪资福利
80较高
作为一线城市已上市科技公司的校招算法岗，薪资水平应处于市场中上，福利体系相对完善。
薪资信号市场水准 (20K-35K/月)
成长发展
95较高
JD强调从0到1培训、与专家共事、技术落地快，且涉及LLM等前沿技术，对技术成长和行业理解帮助极大。
技术前沿前沿/新兴技术
技术栈机器学习、推荐系统、LLM、生成式推荐、RTB、数据分析
成长机会从 0 到 1 的系统化培训、与大牛同行、跟踪机器学习领域前沿技术
业务类型profit_center
工作生活
55较低
JD未明确提及工作模式，仅说明工作地点。作为核心业务算法岗，预期工作强度较高，WLB需在入职后确认。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
广告算法直接驱动商业变现，能看到明确的业务增长成果，行业处于技术驱动型领域。
行业发展稳定成熟行业
社会影响中性/一般
使命信号你的成果可直接转化为可以看见的业务增长
创新程度积极采用新技术
Watch Jobs