字节跳动
校招推荐大模型算法工程师 - TikTok Shop
上海/北京/杭州 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历，人工智能、计算机、数学、统计等相关专业优先
- 扎实的机器学习基础与工程能力：理解模型背后的数学，也写得出干净、高效、可复现的代码，熟练掌握主流算法与数据结构
- 在机器学习、NLP、CV、推荐中至少一个方向有深入的研究或工程实践，并能清楚讲出你为什么这么做、以及可优化的方向
- 对LLM/LRM技术有真实的热情，愿意把前沿方法推进到线上生效，而不止步于离线指标
- 强烈的问题定义与拆解能力，面对模糊、无标准答案的业务问题时能自己找到突破口。
- 加分项：
- 在KDD、SIGIR、RecSys、WWW、ACL、NeurIPS、ICML、ICLR等顶会/顶刊发表过论文，或有高质量开源工作
- 有CUDA/Triton算子开发、深度学习框架源码级优化、大规模分布式训练或高性能推理部署经验
- 有LLM后训练（SFT/RLHF/DPO/GRPO）、Agent系统构建、或推理加速方向的实践经验
- 主导或深度参与过搜索、广告、推荐、大模型方向的关键项目，有完整的从问题到线上收益的闭环经验
- ACM-ICPC、NOI、Kaggle等竞赛获奖经历。
- 为什么选择我们：
- 真实的十亿级流量、海量的算力预算、从算子到系统到业务的完整链路、开放的团队氛围，在这里你有机会和最优秀的算法工程师一起，重塑算力时代下的推荐系统，探索推荐的scaling law，能把自己的创造力和想法，变成真实影响上亿用户、百万商家达人的线上服务。
岗位描述
团队介绍：TikTok Shop 是 TikTok 旗下的内容电商业务，致力于成为用户发现并获取优价好物的首选平台。面向直播电商、视频内容电商、货架电商等多元购物场景，国际电商持续为全球用户提供更个性化、更主动、更高效的消费体验，也为商家提供稳定、可靠、可持续增长的平台服务，推动“新奇好物畅销全球，美好生活触手可得”的使命落地。
目前，国际电商算法团队分布在中国、美国、新加坡等多个国家和地区，深度参与全球化业务建设。加入我们，你将有机会面向全球用户、商家和商品生态，与跨区域的产品、工程、运营和业务团队协作，持续提升商品供给质量、用户购物体验、平台交易效率与履约体验，共同探索内容电商与智能购物的新模式。
Data-国际电商团队是 TikTok Shop 的核心算法技术力量，专注于电商场景下的算法创新与规模化落地，方向包括但不限于：生成式推荐与大规模 Foundation Model、多模态商品理解与内容生成、搜索与导购、智能客服、风控治理、物流履约优化、商家经营智能化，以及 Agentic 智能体在电商全链路中的应用。我们希望通过先进的算法能力，帮助用户更高效地发现感兴趣的商品，帮助商家实现更高质量的经营增长，并持续提升交易各环节的智能化水平。
在这里，你将与一流的产品和技术团队合作，面对复杂且真实的国际化电商挑战，推动前沿技术在大规模业务场景中落地，与团队一起创造更多可能。
- 1、参与推荐算法的探索——服务数亿真实用户、构建和重写算力时代下新的工业级推荐系统：
- 2、参与电商十亿级用户与商品的个性化推荐算法优化，覆盖视频、直播、货架场景下的召回、粗排、精排、混排全链路，每次迭代都会在线上直接创造真实业务价值；
- 3、LRM/LLM×工业推荐的正面碰撞，重塑下一代推荐范式：
- 1）Scaling up to Billion：把排序模型从亿级推到十亿级参数，联合训练与推理侧优化，探索推荐领域的scaling law——包括超长行为序列建模（KV Cache、序列压缩，UG分离，投机解码、动态batching等）、预训练、多场景多任务多阶段联合训练，针对推荐的特点进行模型结构设计和优化，提升MFU，探索在真实时毫秒级推荐系统下的scaling up的边界；
- 2）生成式推荐：基于语义ID（RQ-VAE/SID）与MLLM的一阶段生成式检索，用“beam search”与“test-time scaling”替代传统“多路召回+精排”漏斗，摆脱系统对ID记忆的路径依赖；
- 3）世界知识注入：用大模型的真实世界认知挖掘用户潜在兴趣与语义表征，突破纯ID共现的表达上限；探索用推理模型（LLM）对用户长周期意图做显式链式推断，提升推荐系统的发现性与新颖性；
- 4、极致的训推性能优化深入PyTorch底层算子（自研CUDA/Triton融合算子）、显存与计算图优化、分布式训练与推理加速，混合精度与低比特量化，把推荐场景特有的稀疏Embedding、变长序列、多任务Head打到硬件极限；
- 5、用Agent重写研发范式我们正在把Coding Agent深度嵌入算法研发流程：自动化特征挖掘与Pipeline生成、实验配置与训练任务的自动编排、模型评估与线上诊断的自动归因、负面案例的自动挖掘和巡检；你既是这套系统的使用者，也是它的建设者。
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。