用增算法工程师

优缺点分析

角色解读

• 可向广告算法负责人或技术专家方向发展，深入业务策略
• 积累大规模投放经验，向推荐系统、搜索算法等方向拓展
• 也可转向更偏工程的架构方向，或管理路线
• 设计和迭代广告/推荐投放算法，包括CTR/CVR预估、智能出价、人群扩展等核心模块
• 解决大规模数据下的稀疏、冷启动、延迟反馈等关键技术难题
• 带领或参与算法项目，从实验到全量上线，通过A/B测试验证并优化ROI
• 扎实的机器学习基础，熟悉DeepFM、MMoE等模型
• 熟练使用TensorFlow或PyTorch进行大模型训练
• 编程能力强，掌握Python/SQL/Spark，熟悉大数据处理流程

申请策略

• 关注波克城市的游戏业务和广告投放体系，面试中可结合具体场景讨论
• 准备一个从0到1的算法项目完整复盘，包括实验设计、AB测试、上线效果
• 突出CTR/CVR预估、智能出价等具体项目成果，用数据说明ROI提升
• 强调TensorFlow/PyTorch的大规模训练经验和模型优化细节
• 展示解决数据稀疏、冷启动等实际问题的案例
• 复习DeepFM、MMoE、ESMM等模型原理及代码实现
• 加强Spark数据处理和特征工程能力
• 了解最新广告算法趋势如跨域迁移、大模型应用

面试指南

• 对于模型结构问题：先讲原理，再结合业务场景说明优势和局限性，最后举例自己的实践
• 对于业务问题：明确问题定义 → 分析数据特征 → 提出方案（可列举多个） → 评估指标 → 实验验证
• 对于项目经验：STAR法则（背景、任务、行动、结果），重点突出技术难点和量化收益
• 请详细讲解DeepFM模型的结构和为什么适合CTR预估
• 如何解决广告投放中的冷启动问题？具体方案？
• 在多目标优化中，MMoE和ESMM有什么区别？你的实践经验？
• 你负责的一个算法项目从实验到上线的全过程，如何衡量ROI？
• 如何处理大规模数据下的特征工程？说说你的Spark实践经验