百度
实习推荐算法工程师（J97672）
新加坡 · 实习 · 本科
长期有效
任职要求
- -计算机、数学或统计学相关专业，本科及以上学历，可尽快到岗位，线下实习3个月及以上，每周至少出勤4天
- -技术技能：熟练掌握至少一门编程语言，如Python或Scala；理解常用的推荐系统算法（如协同过滤、基于内容的推荐、深度学习推荐模型）；有使用主流机器学习和深度学习框架（如PaddlePaddle、TensorFlow、PyTorch、scikit-learn）的经验者优先
- -数据处理能力：具备良好的数据处理能力，熟悉SQL或其他数据查询语言，能够处理和分析大规模数据集
- -分析和解决问题的能力：具有较强的逻辑思维能力，能够独立分析问题并提出解决方案
- -学习能力：具备快速学习新技术和新知识的能力，对机器学习和推荐系统有浓厚的兴趣
- -沟通和团队合作能力：良好的沟通技巧和团队协作精神，能够在跨职能团队中有效工作
- -创新思维：具有创新思维，对于改进产品和解决复杂问题有热情
- 加分项：
- - 有相关项目经验，尤其是在图文内容推荐或社交网络用户匹配领域的实践经验
- -发表过相关领域的论文或参与过相关科研项目
- -对大数据技术栈（如Hadoop、Spark）有一定了解和使用经验
岗位描述
【岗位职责】
-算法开发与优化：负责开发和优化图文内容推荐以及社交工具用户匹配推荐算法，提高推荐系统的准确性和用户满意度
-数据分析：分析用户行为数据，理解用户偏好，基于数据分析结果不断调整推荐策略
-模型训练与评估：负责推荐模型的训练、测试和评估，使用适当的评估指标监控模型性能，并针对性地进行优化
- - 特征工程：进行特征提取和特征选择，设计有效的特征来提升模型的预测能力
-多样性与公平性：确保推荐系统在提供相关性的同时，也能保持内容和用户推荐的多样性与公平性
-最新技术调研：持续跟踪推荐系统和机器学习领域的最新研究成果和技术动态，探索可能的应用场景
-团队合作：与产品、数据分析和工程团队紧密合作，共同优化推荐策略，实现业务目标
【任职要求】
-计算机、数学或统计学相关专业，本科及以上学历，可尽快到岗位，线下实习3个月及以上，每周至少出勤4天
-技术技能：熟练掌握至少一门编程语言，如Python或Scala；理解常用的推荐系统算法（如协同过滤、基于内容的推荐、深度学习推荐模型）；有使用主流机器学习和深度学习框架（如PaddlePaddle、TensorFlow、PyTorch、scikit-learn）的经验者优先
-数据处理能力：具备良好的数据处理能力，熟悉SQL或其他数据查询语言，能够处理和分析大规模数据集
-分析和解决问题的能力：具有较强的逻辑思维能力，能够独立分析问题并提出解决方案
-学习能力：具备快速学习新技术和新知识的能力，对机器学习和推荐系统有浓厚的兴趣
-沟通和团队合作能力：良好的沟通技巧和团队协作精神，能够在跨职能团队中有效工作
-创新思维：具有创新思维，对于改进产品和解决复杂问题有热情
加分项：
- - 有相关项目经验，尤其是在图文内容推荐或社交网络用户匹配领域的实践经验
-发表过相关领域的论文或参与过相关科研项目
-对大数据技术栈（如Hadoop、Spark）有一定了解和使用经验
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。