【快Star】消息推荐算法工程师

优缺点分析

角色解读

• 在快手深耕推荐系统和大模型技术，逐步成为算法专家或技术Leader
• 有机会接触亿级用户场景，积累业界顶尖的工程与算法经验，未来可转向其他推荐或AI方向
• 通过参与前沿研究，发表顶会论文，提升学术影响力，走学术与工业结合的成长路径
• 负责快手APP push消息推荐算法的研发与优化，通过策略和模型提升用户增长和留存
• 参与大模型在push场景的落地，包括智能文案生成、下发时机优化、用户意图建模等
• 搭建并优化push推荐系统全链路（触发、召回、粗排、精排、下发），实现亿级用户的个性化匹配
• 探索前沿技术如多模态理解、强化学习，并推动其在业务中应用
• 扎实的算法与数学基础，熟悉常用机器学习、深度学习模型
• 精通Python，熟练使用PyTorch等深度学习框架，具备良好的工程实现能力
• 熟悉Transformer架构与大语言模型（如Qwen、DeepSeek、LLaMA），有预训练或微调经验优先
• 对前沿技术敏感，能独立复现顶会论文，具备问题拆解与科研品味

申请策略

• 在简历中量化项目成果（如A/B测试提升指标xx%），体现业务导向思维
• 了解快手的技术文化和业务方向，在面试中展现对用户增长的思考
• 突出推荐系统或大模型相关的项目经验，尤其是涉及召回、排序、多模态等实践
• 强调机器学习竞赛、开源贡献或顶会论文，体现算法理论与工程能力的结合
• 展示扎实的Python和PyTorch编程能力，可附上GitHub链接或技术博客
• 补全推荐系统全链路知识（触发、召回、粗排、精排），熟悉常用评估指标
• 深入掌握至少一种大模型微调方法（如LoRA、QLoRA），并了解推理优化技术
• 了解快手或类似平台的push业务特点，提前准备相关案例分析

面试指南

• 结构化项目介绍：背景-问题-方法-结果-思考，重点突出技术深度和业务理解
• 系统设计题：先明确目标，再分层分解（数据、召回、排序、策略），最后讨论优化方向
• 对于挑战性问题，先承认复杂性，再提出具体解决思路（如模型蒸馏、特征工程、A/B实验）
• 请介绍你在推荐系统或大模型方面的一个项目，包括技术选型、难点和效果
• 如何设计一个push推荐系统？从数据、模型到策略的关键点有哪些？
• 大模型在推荐场景中可能遇到哪些挑战？如何解决推理延迟问题？
• 如何评估push推荐的效果？有哪些核心指标？如何平衡点击率和用户负反馈？
• 复习推荐系统经典论文和架构，如YouTube DNN、DeepFM、DIN等