【快Star】推荐大模型算法工程师-OneRec

优缺点分析

角色解读

• 技术纵深发展：成为推荐大模型方向的专家，主导核心算法创新
• 横向扩展：接触多模态、强化学习、高效训练等多个前沿领域，拓宽技术广度
• 管理路径：未来可带领小团队，负责技术方案制定与项目推进
• 设计并实现基于生成式大模型的推荐系统架构，将前沿模型（如OneRec）应用到快手海量用户场景中
• 持续优化模型性能，通过Scaling、强化学习对齐、知识蒸馏等技术提升推荐效果
• 与团队协作探索多模态理解、稀疏MoE等方向，推动算力向用户价值的转化
• 跟踪学术界与工业界最新动态，快速复现并改进先进算法
• 深厚的推荐系统或相关领域（如NLP、强化学习、多模态）背景，有业务落地经验
• 扎实的工程能力，熟练掌握Python、C++等语言及常用数据结构算法
• 能够独立阅读前沿论文并复现，具备实验设计和问题分析能力
• 对生成式推荐、大模型技术趋势有热情和敏锐度

申请策略

• 在面试前详细了解快手推荐产品（如首页、同城），思考如何用生成式模型改进
• 准备一个完整的技术分享，展示从问题定义到方案落地的思考过程
• 突出在推荐系统、LLM或强化学习等领域的项目经验和落地成果
• 如有论文发表（尤其在KDD、NeurIPS等顶会）或竞赛获奖，重点展示
• 强调工程实现能力，如大规模数据处理、模型训练优化经验
• 展示对最新技术的关注和理解，如生成式推荐、RLHF等
• 补充强化学习与推荐系统结合的知识，如RLHF、偏好对齐
• 熟悉大模型（LLM）的微调和推理加速技术，如LoRA、vLLM

面试指南

• 先阐明核心概念（如生成式推荐、Scaling、RL），再结合实际业务场景说明应用
• 使用STAR方法描述过往项目：Situation, Task, Action, Result
• 表达技术深度时，可提及具体挑战和你的解决方案，体现系统思维
• 请解释生成式推荐模型与传统推荐模型的区别和优势
• 如何将大语言模型的知识对齐到推荐系统中？请举例说明
• 在推荐系统中使用强化学习时，你会如何设计奖励函数？
• Scalability问题：如何将生成式推荐模型扩展到数十亿用户和物品？
• 阅读过哪些推荐大模型相关论文？请分享你的理解和改进思路