字节跳动
实习广告算法实习生 - 内容消费与非闭环营销
北京 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读，计算机/自动化/运筹学/统计学等相关专业优先
- 扎实的机器学习/深度学习/运筹优化理论和实践经验，熟悉深度学习算法（CNN/RNN/LSTM/MTL等）
- 熟悉至少一种主流深度学习编程框架（PyTorch/TensorFlow等），熟悉其底层架构和实现机制
- 有扎实的编程基础，良好的编程风格和工作习惯，熟练掌握C/C++，Java，Python等至少一门语言
- 有激情、勇于接受挑战、乐于挑战，具有良好的团队合作意识、理解沟通能力以及独立解决问题的能力。
- 加分项
- 在广告、推荐、搜索、增长营销等大规模业务上有过一定的优化经验
- 在会议（CCF-A类，如ICML、NeurIPS、ICLR、AAAI、IJCAI、KDD、RecSys、SIGIR等）上发表过论文
- 有过深度学习编程框架开源社区经验。
岗位描述
团队介绍：内容消费与非闭环营销技术团队，服务内容消费和非闭环营销行业数十万客户和十亿级用户。其中，内容消费行业包括游戏、小游戏、短剧、小说、社交与工具等行业，非闭环营销行业包括平台电商、引流电商等行业。内容消费与非闭环营销围绕客户深转、ROI等本质诉求，构建了完整的产品矩阵，知名产品有UBA/UBP自动化产品、深转ROI1\ROI7产品等。研发团队主要通过技术手段支持行业的收入和市占提升，工作内容包括：投放策略优化（出价、自动化）、模型优化（深度延迟和稀疏转化建模、序列建模、Large Recommend Model等）、流量和体验策略优化（ROI3产品、推荐广告融合、多目标建模等）、AI内容理解和生成（多模态模型、营销创意&剧集生成等）、定价和权益激励策略优化（智能定价、QCPX等）、海量创意自动化托管投放架构（DPA）、新产品开发等。
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。
- 1、模型算法：负责非闭环电商召回、粗排、精排等模块的CTR、CVR、LTR、GMV等模型优化工作，使用DIN、SIM、Transformer、Scaling、LRM等技术持续提升这些模型效果，从而提升非闭环电商收入；
- 2、出价算法：负责非闭环电商出价优化工作，包括下单出价、支付ROI出价、UBX自动化高维组合出价等相关产品的出价优化工作，使用PID等控制学理论、监督学习、强化学习等技术提升出价效果，从而提升非闭环电商收入；
- 3、自动化算法：负责非闭环电商自动化投放优化工作，包括自动化新建计划、自动化关停计划、素材创意自动化生产、组合等工作，使用增益建模、监督学习、强化学习、AIGC等技术提升自动化投放效果，从而提升非闭环电商收入；
- 4、投放策略：负责非闭环电商投放策略相关工作，包括DPA投放、用户体验、大促策略、新品拓品策略、新客策略等优化工作，需要深入理解业务，配合产品设计线上策略，优化客户投广效果和体验。
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。