腾讯
实习微信小店跨领域大模型生成式推荐研究
广州 · 实习 · 博士
长期有效
任职要求
- 1、包含但不限于计算机、信息工程、模式识别、人工智能、自动化、软件工程、电子工程、统计学、应用数学、物理学/量子计算、信息安全、信号与信息处理等专业的博士和优秀硕士；
- 2、熟练掌握 Python/C++等至少一门编程语言，熟悉PyTorch/TensorFlow等至少一种深度学习框架；
- 3、有较强的工程实现能力，具备大语言模型研究和应用经验，包括SFT/PPO/DPO/GRPO等技术的落地实践。
岗位描述
【岗位职责】
课题背景：
小店亟需一套成熟精准的推荐系统以提升留存与购物心智。但推荐场域内呈现冷启动高、长尾交互稀疏、成交类目分布极度不均、新客画像与可训练人群差异大等问题，严重制约了传统基于ID协同过滤的推荐模型性能上限。为此，本课题拟引入大语言模型，利用其强大的世界知识和推理能力，结合微信独有的多生态领域海量交互数据，探索构建端到端的生成式电商推荐大模型，以突破传统模型瓶颈，推动微信电商生态繁荣。
课题挑战：
- 1、商品语义ID（Semantic ID）体系构建：如何基于多模态商品信息，构建稳定、精准且能有效应对极度稀疏性与海量新增商品的SID体系；
- 2、大模型商品知识对齐：如何将设计好的商品SID深度对齐到推荐大模型的知识体系中，使模型在序列建模和常识推理两个层面建立对商品的准确认知；
- 3、跨域交互推理框架设计：如何有效利用微信全域多模态交互行为，设计合理的表征方式与兴趣筛选机制，实现从泛兴趣到电商购买意图的精准跨域映射与推理；
- 4、端到端推理加速与在线反馈闭环：如何解决端到端生成式大模型在线上作为召回和精排的高并发推理加速难题，并基于实时用户交互反馈构建高效的在线训练闭环。
具体工作：
你将参与多模态商品SID体系设计、大模型商品知识对齐、微信全域跨域行为的表征与推理框架搭建，并探索大模型在线推理加速与基于用户反馈的在线训练闭环。
【任职要求】
- 1、包含但不限于计算机、信息工程、模式识别、人工智能、自动化、软件工程、电子工程、统计学、应用数学、物理学/量子计算、信息安全、信号与信息处理等专业的博士和优秀硕士；
- 2、熟练掌握 Python/C++等至少一门编程语言，熟悉PyTorch/TensorFlow等至少一种深度学习框架；
- 3、有较强的工程实现能力，具备大语言模型研究和应用经验，包括SFT/PPO/DPO/GRPO等技术的落地实践。
【技术方向】
大语言模型、NLP
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。