美团
【北斗】基于大模型的推荐算法工程师
【北斗】基于大模型的推荐算法工程师
发布于 大约 16 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
硕士
软件工程
PyTorch
TensorFlow
推荐系统
多模态
大语言模型
Llm4Rec
生成式推荐
AI 估算 · 30k–55k
美团大厂，推荐算法为核心岗位，技术要求高，硕士以上学历，薪资竞争力强，市场行情在30k-55k/月之间。
职位详情
关于这个职位
作为推荐算法工程师，您将参与大众点评核心推荐系统的研发，包括召回、排序、多目标融合等环节，并探索生成式推荐与LLM4Rec等前沿技术
同时需要推动长序列建模、跨域推荐等方向，并参与大规模分布式训练与在线系统优化，以技术驱动业务增长
最低要求
硕士及以上学历，计算机科学、人工智能、机器学习等相关专业
扎实的深度学习与Scaling up基础，熟悉推荐系统主流模型（双塔、DIN、Transformer等）或者LLM4Rec应用者优先
熟练掌握Python，熟悉TensorFlow或PyTorch等深度学习框架，会使用agent框架
具备良好的数据分析能力和工程实现能力
工作职责
推荐系统核心算法研发：参与大众点评首页信息流、子Tab、内容推荐、POI推荐等核心场景的召回、粗排、精排、重排、多目标融合等算法研发，持续提升用户体验和业务效果
内容与POI双域建模：围绕内容推荐和本地生活供给推荐，建设用户兴趣理解、商户理解、内容理解、跨域迁移、多场景泛化等能力，实现从“用户喜欢看什么”到“用户可能去哪”的深度连接
长序列与Scaling Up推荐模型探索：Transformer、HSTU、MoE、多任务学习、长序列用户行为建模等模型结构，推动推荐系统从传统特征工程向更大规模、更强表达能力的模型架构演进
生成式推荐与LLM4Rec：探索大语言模型、生成式AI、语义ID、多模态表征、RAG、Agent等技术在推荐系统中的创新应用，推动下一代生成式推荐能力在真实业务中落地
增长算法与智能决策：参与用户全生命周期增长建模，包括拉新、促活、留存、智能Push、触达时机、人群选择、内容生成等方向，用AI能力替代传统人工运营，实现增长策略的自动化与规模化
AutoResearch与AI自动化实验：建设面向推荐和增长的自动化实验体系，让Agent辅助完成实验执行、结果分析、假设生成和策略迭代，提升算法研发效率，探索新的算法工程工作范式
大规模训练与在线系统优化：参与分布式模型训练、特征平台、在线Serving、A/B实验、性能优化和稳定性建设，让前沿模型真正服务亿级用户场景
优先资格
有推荐系统、信息检索、NLP/CV等方向的科研或实习经历优先
有顶会论文发表（KDD/WWW/NeurIPS/SIGIR/CIKM等）优先
AI 洞察
优缺点分析
优点
- 团队在生成式推荐、LLM4Rec等前沿方向持续探索，技术氛围浓厚，有顶会论文产出机会
- 美团大厂平台，薪资福利优厚，职业发展路径清晰，配备资深导师和完整培训体系
- 推荐系统复杂度高，需要同时关注多目标优化、跨域迁移等技术难题，学习曲线陡峭
- 工作强度较大，需要不断跟踪前沿技术并快速实验落地，对自驱力和抗压能力要求高
缺点 / 挑战
- 参与亿级用户规模的推荐系统，业务影响力大，技术挑战高，能快速积累工程和算法经验
- 适合对推荐系统与前沿AI技术有浓厚兴趣，具备扎实深度学习基础，愿意接受高挑战并追求技术深度的算法工程师
角色解读
- 从算法工程师成长为独立负责核心方向的算法专家，深入掌握推荐系统全链路技术
- 可向技术专家或技术管理方向发展，带领团队攻克前沿难题
- 基于美团业务场景，积累大规模工业落地经验，成为行业顶尖的推荐算法人才
- 负责大众点评核心推荐系统的算法研发，包括召回、排序、多目标融合等多个环节，持续优化用户体验和业务指标
- 探索并应用大语言模型、生成式AI等前沿技术，推动推荐系统的智能化演进
- 参与大规模分布式训练和在线系统优化，确保模型在亿级用户场景下的高效稳定运行
- 扎实的深度学习基础，熟悉推荐系统主流模型（双塔、DIN、Transformer等），具备Scaling up经验
- 熟练掌握Python及至少一种深度学习框架（TensorFlow/PyTorch），了解Agent框架
- 具备良好的数据分析能力和工程实现能力，能够独立完成模型设计、实验和落地
申请策略
- 提前了解美团点评推荐业务的特点（如内容与POI双域），在面试中展现业务理解
- 准备一个完整的推荐系统项目案例，从问题定义到实验效果，展示闭环能力
- 突出推荐系统相关项目经验，尤其是召回、排序或多目标优化方面的实践成果
- 强调对LLM4Rec或生成式推荐的理解和应用，若有相关论文或开源贡献更佳
- 展示深度学习框架（TensorFlow/PyTorch）的熟练使用和工程落地能力
- 深入学习Transformer、HSTU、MoE等模型架构及其在推荐中的应用
- 熟悉Agent框架（如LangChain）和RAG技术，关注LLM在推荐中的最新进展
面试指南
- 对于模型和算法问题，先阐述基本原理和适用场景，再结合具体业务案例说明优化方案
- 对于前沿技术问题，展示对技术的理解深度，同时强调实际落地可行性和可能遇到的挑战
- 请详细讲解推荐系统中召回、粗排、精排的各自目标和常用模型
- 如何利用大语言模型改进推荐系统？请举例说明
- 面对长序列用户行为，如何处理计算效率和模型表达能力之间的平衡？
- 如何设计一个多目标优化模型？常见的损失函数调节方法有哪些？
- 你如何看待生成式推荐？其相比于传统推荐的优劣势是什么？
- 复习推荐系统经典论文（如双塔、DIN、BST等），并熟悉最新LLM4Rec方向的论文
匹配度报告
79
综合匹配度
美团大厂、前沿技术栈、高成长性，办公灵活度一般。
适合人群
最适合追求技术前沿和职业成长的求职者，对薪资和稳定性也有较高保障，但需接受现场办公和可能的加班。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活60
使命价值75
薪资福利匹配
85较高
美团大厂，薪资水平在行业内具有竞争力，福利完善（五险一金、年终奖、股票等），但未在JD中明确列出具体数额。
薪资信号未披露（AI估算：30K-55K/月）
成长发展匹配
95较高
技术栈前沿（生成式推荐、LLM4Rec、Transformer等），团队注重论文产出和实验体系建设，配备mentor，成长路径清晰。
技术前沿前沿/新兴技术
技术栈大语言模型、LLM4Rec、Transformer、HSTU、MoE、多模态、生成式推荐、Agent
成长机会资深mentor、论文研讨、完整项目训练
业务类型profit_center
工作生活匹配
60中等
工作地点在北京，未明确提及远程或弹性办公，但大厂通常有一定弹性。未提及WLB信号，存在加班可能性。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
75中等
推荐系统属于互联网核心业务，直接提升用户体验和商业价值，社会影响力中性。行业处于成熟稳定阶段。
行业发展稳定成熟行业
社会影响中性/一般
使命信号帮助用户找到、发现与体验真实世界的美好
创新程度积极采用新技术
Watch Jobs