业务技术-搜索推荐算法工程师/专家-杭州

优缺点分析

角色解读

• 技术专家路线：在搜推算法领域深耕，成为召回、排序、重混排等细分方向的专家，主导核心算法架构设计
• 业务负责人路线：深入理解电商业务，从算法优化转向业务策略制定，负责整个搜索推荐场景的算法团队
• 前沿技术探索路线：专注于生成式搜索、Agent化等前沿方向，推动技术创新并转化为业务价值
• 负责天猫APP搜索、首页、商详、购后等核心场景的召回、排序、重混排模型迭代，直接优化用户体验和业务指标
• 探索并落地生成式搜索推荐、模型Scaling Up、搜推策略Agent化等前沿算法方案，推动技术演进
• 建设端内外引流承接页的个性化推荐算法，通过序列建模、迁移学习、图模型等技术提升效率
• 负责多场景用户表征学习、LLM兴趣发现性推荐、内容冷启等应用落地，迭代升级搜索推荐系统架构
• 扎实的机器学习、深度学习理论基础，熟悉常用的推荐系统、搜索算法模型
• 熟练掌握Java/C++/Python中至少一门语言，具备优秀的数据结构和算法功底
• 有生成式搜索推荐、搜推Agent、LLM应用等前沿方向的研究或实践经验者优先
• 具备优秀的分析问题和解决问题的能力，以及良好的沟通协作能力

申请策略

• 了解天猫APP的搜索推荐产品形态和业务挑战，在面试中结合具体场景展示你的思考
• 关注阿里巴巴技术团队的技术博客和开源项目，了解团队的技术方向和风格
• 突出在搜索、推荐、广告等领域的项目经验，量化算法优化带来的业务指标提升（如CTR、GMV等）
• 重点展示在生成式搜索、LLM、Agent等前沿方向的研究或实践成果，体现技术前瞻性
• 详细描述在超大规模数据场景下的模型设计、训练、部署经验，突出解决复杂工程问题的能力
• 如有高质量论文发表，务必列出，这是加分项
• 系统梳理推荐系统全链路知识，包括召回、排序、重排、混排等环节的经典模型和最新进展
• 深入学习LLM在搜索推荐领域的应用，如生成式推荐、兴趣挖掘、Agent等，并尝试动手实践

面试指南

• STAR法则：清晰描述项目背景(Situation)、任务(Task)、行动(Action)和结果(Result)，重点突出你的个人贡献和量化成果
• 问题拆解法：面对开放性问题，先明确问题定义和目标，再拆解为多个子问题，逐一给出解决方案，最后总结权衡
• 技术+业务结合：回答技术问题时，始终结合业务场景，说明技术选择如何服务于业务目标
• 请详细介绍一个你负责的搜索或推荐项目，包括问题定义、模型设计、效果评估和上线过程
• 如何设计一个召回模型来平衡相关性和多样性？请结合具体业务场景说明
• 你对生成式搜索推荐（如GPT-based推荐）有何理解？你认为其落地的主要挑战是什么？
• 在超大规模数据下训练深度学习模型，你会如何进行特征工程和模型并行策略选择？
• 如何评估一个推荐系统的长期用户价值，而不仅仅是短期点击率？