【北斗】广告大模型算法工程师 -【生成式广告】

优缺点分析

角色解读

• 成为广告算法领域的专家，深入掌握生成式技术在全链路广告系统中的应用
• 向技术Leader方向发展，带领团队推进广告系统的范式升级
• 通过学术合作发表高水平论文，成为业界和学界兼具影响力的技术人才
• 设计并实现基于生成式模型的广告候选生成方案，如层次化语义ID
• 开发端到端排序框架，探索预训练+RLHF的训练范式，提升广告排序效果
• 利用多模态大模型自动生成和优化广告创意，实现个性化创意定制
• 构建可学习的广告拍卖机制，将出价、分配、计费统一到生成框架中
• 扎实的深度学习基础，熟悉大模型（如Transformer、GPT、Diffusion）的原理和应用
• 熟悉生成式模型（VAE、VQ-VAE、扩散模型等），有相关项目或论文经验
• 具备优秀的编程能力（Python、C++），熟练使用PyTorch等深度学习框架
• 较强的研究能力，能独立阅读并复现顶会论文，有学术发表或竞赛获奖经历

申请策略

• 关注美团广告技术博客和团队发表的文章，了解其技术方向和研究进展，面试时能体现对业务的了解
• 准备一个完整的研究或项目故事，能清晰说明问题、方法、实验和收获，展现研究潜力
• 突出顶会论文（一作或导师一作）、顶级竞赛获奖、知名实验室实习经历或高质量开源项目
• 详细描述在生成式模型、广告系统或推荐系统方面的项目经验，突出技术难度和成果
• 列出所掌握的深度学习框架和编程语言，尤其是与生成式相关的工具（如HuggingFace、Diffusers）
• 如果参与过广告相关的算法优化，请强调业务指标提升（如CTR、CVR、RPM等）
• 补充强化学习（RLHF、DPO）相关的知识和实践，可尝试复现一些经典论文
• 学习广告系统基础知识（如CTR预估、出价策略）和生成式模型（如VQ-VAE、Diffusion）的实现

面试指南

• STAR法则：描述场景、任务、行动和结果，突出个人贡献和技术细节
• 技术对比类问题：从原理、优缺点、适用场景三个维度展开，结合广告业务特点
• 系统设计类问题：先明确目标和约束，再分模块设计，最后讨论Trade-off
• 请详细介绍一下你参与过的与生成式模型相关的研究项目，你的主要贡献是什么？
• 如何设计一个生成式召回系统？请从模型架构、训练目标和线上部署角度说明
• 对比VAE、VQ-VAE和扩散模型在广告生成场景中的优缺点
• RLHF在广告排序中可能面临哪些挑战？如何设计奖励模型？
• 广告系统多级漏斗架构有哪些缺点？端到端生成式框架如何解决这些问题？