【快Star】推荐大模型算法工程师

优缺点分析

角色解读

• 从推荐算法工程师成长为领域专家，主导下一代推荐技术
• 晋升为技术Leader或架构师，带领团队攻克难题
• 向AI方向持续深造，成为大模型与推荐交叉领域的顶尖人才
• 探索大模型与推荐系统结合的前沿技术，如生成式推荐和Scaling Law
• 处理多模态信号（视频、文本、语音）让推荐系统更好理解内容
• 研究模型压缩技术（混合专家、蒸馏、剪枝）提升效率和性能
• 跟踪业界最新进展，将研究成果落地到快手推荐业务中
• 扎实的编程能力，熟练掌握C/C++、Python或Java
• 对搜广推算法和LLM/多模态模型有深入研究经验
• 熟悉机器学习与数据挖掘算法，具备优秀的问题分析能力
• 有较强的工程实现能力，能将算法落地到大规模系统

申请策略

• 深入了解快手的推荐业务，准备相关思考方案
• 准备好一两个完整的项目案例，体现从想法到落地的能力
• 突出搜广推或LLM相关的项目经历和实习经验
• 强调编程能力和竞赛获奖（如ACM、Kaggle）
• 展示发表的顶会论文或开源贡献
• 补充多模态模型（如LLaVa、BLIP2）的实践经验
• 学习模型压缩技术（量化、蒸馏、剪枝）原理和工具

面试指南

• 对于开放性问题，采用STAR原则：情境-任务-行动-结果
• 技术对比题，先阐述各自原理，再结合场景分析优缺点
• 算法实现题，先说明思路和复杂度，再写代码并测试
• 如何将大模型应用到推荐系统中？请举例说明
• 多模态融合有哪些常用方法？优缺点是什么？
• 对比模型蒸馏和剪枝，哪种更适合推荐场景？
• 推荐系统的离线评估和线上评估指标有哪些？
• 手撕代码：实现一个简单的推荐召回或排序模型