字节跳动
实习推荐系统架构实习生-Data-抖音/直播/电商/剪映
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、软件工程等相关专业优先
- 热爱计算机科学和技术，了解至少一门编程语言，包括但不仅限于：Java、C、C++、PHP、Python、Go
- 掌握计算机基础知识，理解数据结构、算法和操作系统知识
- 有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分
- 有强烈的求知欲，优秀的学习和沟通能力。
岗位描述
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。
团队介绍：推荐架构团队支撑字节跳动旗下多款APP产品，如抖音、今日头条、番茄小说、西瓜视频、剪映等推荐系统架构的设计和开发，保障系统的稳定和高可用，致力于抽象系统通用组件和服务，建设推荐中台、数据中台；关于在线服务，在这里你有机会参与大规模机器学习在线预估框架的研发与优化，也有机会参与模型训练与调度等相关问题的研究与突破，解决系统瓶颈，降低成本开销；如你对大数据感兴趣，在这里也有机会参与通用实时计算系统的开发、构建统一的推荐特征中台，为推荐业务实现先进的消重、计数、特征服务等；我们期待热爱技术的你加入，一起创造更多可能。
- 1、架构演进与大模型落地：参与核心推荐系统的下一代架构演进，探索大模型（LLM）在推荐场景的深度融合；支持生成式推荐（Generative Recommendation）、多模态内容理解等前沿AI技术的工程架构落地与全链路优化；
- 2、系统性能调优：针对高并发、高吞吐、超大规模稀疏参数的复杂场景，深入软硬件底层进行极致的性能优化；参与设计与实现高性能推理引擎、异构计算调度（GPU）、算子融合与通信优化；
- 3、海量集群的成本优化：面对万台服务器级别的超大规模推荐与大模型集群，深入计算、存储、网络底层进行全链路降本增效；探索并落地模型量化/剪枝、潮汐算力调度、冷热数据分级存储、软硬协同等前沿技术，优化算力与存储成本；
- 4、下一代研发效能与MLOps建设：参与构建端到端机器学习平台（MLOps）；通过特征平台、自动化训练流水线、大规模在线/离线实验系统的架构抽象与流程优化，提升算法团队的迭代效率；
- 5、超大规模系统保障：设计和实现灵活可扩展、高可用、高容灾的基础架构，保障亿级日活产品在极端流量下的极致稳定。
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。