【北斗】大模型算法工程师—生成式搜推广告算法

优缺点分析

角色解读

• 技术纵深发展：从算法工程师成长为推荐/广告领域的专家，主导核心模型创新
• 横向扩展：从多模态到生成式模型，覆盖更广的人工智能技术栈
• 管理路径：资深后可带领团队负责广告算法方向，晋升为技术负责人或架构师
• 研究多模态技术，理解图文、商品、短视频等异构内容，为模型提供高质量表征
• 将大语言模型（LLM）的语义理解与协同过滤信号融合，优化广告模型
• 探索生成式技术升级召回、预估、重排流程，推动广告系统端到端统一建模
• 利用 Multi-Agent 和 LLM 实现自动化特征工程、样本挖掘等，构建模型自迭代能力
• 扎实的 Python 和 PyTorch 深度学习框架使用能力
• 深入的机器学习/深度学习理论基础，熟悉推荐系统、NLP、多模态或 LLM 之一
• 具备顶会论文或竞赛获奖经验者优先，但非必需
• 了解广告系统或推荐系统的基本架构和常见挑战

申请策略

• 了解美团本地生活广告的业务场景，思考LLM如何赋能广告投放
• 在简历中可提及对生成式搜推的理解，体现对该岗位方向的兴趣
• 突出机器学习/深度学习项目经验，尤其是推荐系统、NLP、多模态相关
• 如有顶会论文或算法竞赛获奖，务必明显展示
• 强调 Python 和 PyTorch 的熟练度，以及数据处理和模型训练经验
• 系统学习推荐系统和广告算法的基础知识，如召回、排序、CTR预估等
• 动手实现一个基于PyTorch的多模态或LLM相关项目，并上传GitHub
• 阅读最近2年KDD、RecSys等会议的广告方向论文，了解工业界前沿

面试指南

• 针对技术设计类问题，先阐述核心原理，再结合业务场景说明方案，最后分析可能的问题
• 对于开放性问题，采用“问题分析-方案提出-效果评估”的结构，展示系统性思考
• 项目经验类问题，遵循STAR原则：情境、任务、行动、结果，突出个人贡献和成果
• 请解释多模态对齐的常见方法，并举例在广告场景中的应用
• LLM如何与协同过滤信号融合？请设计一个模型架构
• 生成式模型在推荐系统中如何用于召回或排序？优缺点是什么？
• 谈谈你对广告系统CTR预估模型的理解，以及如何用多模态特征改进？
• 有在大厂广告/推荐系统的实习经历吗？具体做了什么？