【快Star】冷启推荐大模型算法工程师

优缺点分析

角色解读

• 成长为推荐算法专家，主导核心分发策略与模型架构迭代
• 横向扩展至内容理解、用户增长、多模态等方向，成为全栈算法人才
• 管理路径：技术Leader→团队负责人，带领团队攻克复杂业务问题
• 负责构建基于大模型的内容质量评估体系，优化快手内容生态与分发机制
• 探索生成式推荐技术（如OneRec、扩散模型）在B端推荐场景的应用
• 深入理解推荐系统全链路，寻找短期和长期业务增长点，并推动技术落地
• 扎实的大模型基础，熟悉SFT、强化学习等后训练技术，以及常用训练推理框架
• 工程能力强，能独立实现复杂算法，具备推荐系统、机器学习、NLP等相关知识
• 有顶会论文或竞赛经验者优先，尤其是推荐、强化学习、图神经网络方向

申请策略

• 关注快手技术博客或开源项目，面试中展示对业务的深入思考
• 提前了解内容生态与推荐系统的关联，准备相关案例分析
• 突出大模型相关项目经验，如SFT、RLHF、模型压缩等，并说明工程实现细节
• 量化推荐系统或内容理解相关成果（如提升点击率、改善生态指标）
• 若有顶会论文，明确标注会议等级、贡献及排名
• 强化大模型训练框架（如DeepSpeed、Megatron）的使用经验
• 补充推荐系统基础，了解常用召回、排序、重排模型

面试指南

• 对于开放性问题，先明确问题边界，提出多个可行方案并分析优劣
• 技术实现题：先讲思路和复杂度，再写伪代码，最后考虑边界条件
• 业务题：结合快手的实际案例，从数据、模型、评估三个维度回答
• 请介绍一个你独立完成的大模型相关项目，包含技术选型、挑战和效果
• 如何利用大模型提高推荐系统的冷启效率？
• SFT和RLHF的原理是什么？在推荐场景中如何应用？
• 快手内容生态中存在哪些问题？如何通过算法改善？
• 手撕代码：实现一个Transformer层或推荐召回算法