← 返回岗位列表

字节跳动

校招

推送算法工程师 - TikTok算法

北京/上海 · 校招 · 2027 届 · 硕士

长期有效

任职要求

  • 2027届获得硕士及以上学位,计算机、电子、数学等相关专业
  • 具备优秀的编码能力,扎实的数据结构和算法功底
  • 优秀的分析问题和解决问题能力,对技术有热情,有良好的沟通表达能力和团队合作精神;具备良好的沟通协作能力,能够与团队共同探索新技术,推动技术发展;优秀的分析问题和解决问题能力,强烈的技术热情与创新意识,追求技术落地与业务价值的双重闭环;优秀的跨团队协作能力,能以技术语言驱动业务决策
  • 熟悉机器学习、大模型、自然语言处理的一项或多项,对推荐系统、计算广告、搜索引擎等相关领域有经验者优先
  • 对复杂业务场景有抽象能力,能独立设计技术方案解决非标准化问题。

岗位描述

团队介绍:TikTok搜推算法团队,负责TikTok短视频产品的基础推荐、搜索算法,加入我们,你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景,直接为核心用户体验负责,支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地,并着力研究下一代AI Search和Chatbot的核心研发技术,包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering,探索强化学习在大模型时代的新范式。在这里,你可以深入钻研机器学习算法的改进和优化,探索前沿的技术;可以感受不同文化的碰撞,激发认知;可以通过对产品和内容生态的深度分析,影响产品未来的发展方向。

  • 1、优化推送发送时机策略与模型;基于Reinforcement Learning、深度时序模型等提升系统择时&择频的能力,提升用户体验与相关指标;
  • 2、应用主流和前沿的机器学习模型,如DeepFM,Uplift Model,Deep Retrival,DIN等,进行召回&粗排&精排模型优化,包括模型结构优化、特征工程以及模型性能优化等;
  • 3、基于海量数据搭建业内领先的推送模型、策略和架构,建模用户兴趣,涵盖发送时机策略、内容召回排序与聚合、内容创意增长等技术方向,提升用户体验;
  • 4、负责业务场景中的某个模块(如社交推送、直播推送、热点推送等),与产品、运营团队协作对模块未来发展进行规划设计,制定推送&推荐策略目标,助力社交、直播、热点、UserGrowth等业务增长;
  • 5、进行推送内容创意的优化,包括自动生成&选择最优的文案内容、图片等素材,自动文案审核等工作。

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)

类型专业能力·难度困难
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

类型项目经历·难度中等
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

类型专业能力·难度简单
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

类型专业能力·难度中等
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

类型情景/案例·难度中等
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。