ADN 广告算法工程师-模型方向（上海）

优缺点分析

角色解读

• 技术专家路线：深耕广告算法与模型技术，成为团队在LTV预估、智能出价等领域的技术核心
• 技术管理路线：带领小团队负责特定业务线或模块的算法规划与落地，向算法负责人发展
• 业务影响路线：凭借对业务的深刻理解，主导更广泛的投放策略和产品化方向，提升整体商业价值
• 负责游戏广告系统核心模型的研发与优化，包括用户转化行为预估和用户长期价值（LTV）预估
• 基于模型预测结果，与策略团队协作优化广告投放效果（DSP），提升广告收入和开发者收益
• 追踪并研究广告与推荐领域的最新算法技术（如LLM、Agent），并将其落地应用于实际业务场景
• 需要扎实的机器学习与深度学习理论基础，并能熟练使用TensorFlow/PyTorch等框架进行模型开发和部署
• 要求精通至少一门在线开发语言（Java/C++/Go），并熟练使用Python/SQL进行数据处理和工程开发
• 需要深入理解广告投放业务（如DSP、竞价策略），具备将复杂业务问题转化为算法解决方案的能力

申请策略

• 研究TapTap的广告产品与近期动态，在面试中展现对业务的理解和思考
• 准备一个能体现你分析和解决复杂算法问题的案例，最好与广告、推荐或增长相关
• 突出在点击率/转化率预估、LTV预估、用户增长等广告相关算法的项目经验，说明具体的业务指标提升效果
• 详细描述参与过的完整机器学习项目，强调从特征工程、模型选择、离线评估到在线AB测试的全流程经验
• 展示在TensorFlow/PyTorch上的模型开发能力，以及使用Java/C++/Go进行高性能在线服务的工程经验
• 深入学习广告系统（DSP/SSP）的运作机制与竞价策略（如oCPM， tCPA），补充行业知识
• 跟进LLM、Agent在搜索推荐与自动化决策领域的最新应用论文与实践案例
• 提升对大规模分布式训练与在线推理服务的架构理解，强化工程落地能力

面试指南

• 使用STAR法则：清晰描述背景(S)、任务(T)、具体行动(A)和最终结果(R)，强调你的技术决策和量化贡献
• 展现系统性思维：回答时兼顾模型设计（特征/模型/损失函数）、工程实现（训练/服务/监控）和业务理解（目标/约束）多个层面
• 保持技术深度与开放性：对熟悉的问题深入原理，对不熟悉的问题展示学习思路和解决问题的框架，并与面试官探讨
• 请介绍一个你主导的广告转化率或LTV预估模型项目，你遇到的最大挑战是什么，如何解决的？
• 如何设计一个样本选择和处理方案来解决广告投放中的样本选择偏差和延迟转化问题？
• 如果让你负责TapTap广告系统的pLTV预估模型，你的技术思路是什么？会考虑哪些关键特征和模型结构？
• 你对目前广告算法中应用LLM或Agent有什么看法？认为可以在哪些环节发挥价值？
• 在模型上线后，如何持续监控和优化模型效果？