【快Star】生产推荐大模型算法工程师

优缺点分析

角色解读

• 技术深耕：从推荐算法工程师发展为推荐系统专家或大模型算法专家
• 技术管理：可向技术Leader方向成长，带领团队负责核心推荐链路
• 跨领域拓展：积累多模态、生成式AI经验，未来可转向AI产品、AI架构等方向
• 参与快手亿级用户的短视频推荐系统开发，优化高潜作者/作品挖掘和核心指标如互动率、留存
• 深入理解视频内容价值，通过流量结构优化和模型迭代提高作者与用户的匹配效率
• 负责深度学习和大模型的研发，包括生成式推荐架构、多模态内容理解和多目标排序算法
• 跟踪学术界前沿技术（如生成式推荐、强化学习），并落地到实际业务场景
• 扎实的深度学习基础，熟悉常用算法模型（如Transformer、CTR模型）和大模型原理
• 掌握SFT、强化学习等大模型后训练技术，熟悉大模型训练推理框架（如DeepSpeed、Megatron）
• 优秀的工程实现能力，熟练使用Python及深度学习框架（TensorFlow/PyTorch）
• 具备推荐系统或相关领域的研究或项目经验，有论文发表或竞赛获奖更佳

申请策略

• 了解快手的推荐业务特色（如普惠、创作者生态），在面试中展现对业务的思考
• 关注快Star校招流程，提前准备算法题和系统设计题
• 突出推荐系统或大模型相关项目经验，尤其是落地到实际业务中的成果
• 强调工程实现能力，如使用深度学习框架搭建大规模模型、优化训练推理性能
• 展示学术成果（论文、专利）或竞赛奖项（如ACM-ICPC、Kaggle）
• 如果有开源贡献或技术博客，体现技术影响力
• 补充大模型后训练技术（RLHF、SFT）的实践经验，可尝试复现相关论文
• 熟悉推荐系统经典论文（如YouTube DNN、DIN、MMOE等）和最新生成式推荐工作

面试指南

• 项目介绍采用STAR原则：背景、任务、行动、结果，重点突出个人贡献和技术难点
• 对于模型设计问题，先分析问题目标，然后选择合适模型结构（如MMOE、PLE），并说明损失函数和训练技巧
• 对于大模型相关问题，先阐述基本原理，再结合业务场景说明如何落地（如使用LLM提取语义特征）
• 请介绍一个你参与过的推荐系统项目，包括问题、方案和效果
• 如何优化短视频推荐中的用户留存与时长指标？
• 请解释SFT和RLHF的原理，以及它们在大模型训练中的作用
• 请设计一个多目标排序模型，处理互动率、时长、留存等多个目标
• 如何利用大模型提升推荐系统的内容理解能力？