腾讯营销—端到端广告推荐大模型研究

北京 · 校招 · 2027 届 · 硕士

长期有效

前往官方投递页 →

任职要求

1、硕士研究生及以上学历，计算机科学、人工智能、机器学习、应用数学等相关领域；
2、对推荐系统与大模型技术有浓厚兴趣，具备扎实的算法与数据结构基础和优秀的编程能力，熟悉主流深度学习框架（PyTorch/TensorFlow）；
3、拥有扎实的机器学习基础，在推荐系统、大语言模型（LLM）、生成式建模等方向有深入理解；对召回/排序链路、序列建模、大规模稀疏模型有实践经验者优先；
4、有大规模分布式训练、算法与工程协同优化（co-design）经验，或在国际竞赛（包括但不限于 ACM-ICPC、数学建模大赛）获奖、在国际顶会（包括但不限于 KDD、NeurIPS、ICML、ICLR、SIGIR、RecSys 等）发表论文者优先；
5、优秀的分析与解决问题能力，敢于挑战传统架构、对突破推荐系统链路瓶颈充满激情。

岗位描述

【岗位职责】

课题背景：

当前广告推荐系统普遍沿用"召回—粗排—精排"的漏斗式级联链路，各阶段目标割裂、算力与样本空间不一致，误差层层传递，且工程约束反向限制了模型能力上限。随着大模型 Scaling Law 在各领域被验证，业界开始探索用统一模型直接建模从候选到最终排序的全过程。本课题旨在打破传统级联范式，通过算法与工程、业务与技术的联合设计（co-design / re-design），构建端到端的广告推荐大模型，释放全链路一致优化的潜力。

课题挑战：

1、链路重构：如何用统一模型建模数十亿量级候选集，在打破召粗精分治的同时满足在线毫秒级延迟与算力预算，需要算法与工程深度协同的 co-design；
2、目标一致性：端到端建模需在单一模型内协调召回的多样性、排序的精准性与业务多目标（CTR/CVR/GMV/ROI）之间的冲突，避免局部最优；
3、样本与训练：全链路联合建模面临严重的样本选择偏差（SSB）与曝光偏差，如何构造无偏训练信号、稳定超大规模稀疏模型的训练是核心难点；
4、系统协同重设计：模型结构、特征体系、检索索引与在线服务需整体 re-design，任何单点优化都可能被系统瓶颈抵消。

具体工作：

1、研发端到端广告推荐大模型，探索召粗精一体化的新范式与统一建模结构；
2、联合工程侧完成检索、索引、在线服务的协同 re-design，打通算法与系统边界；
3、攻关全链路无偏训练、多目标一致优化与规模化扩展，持续突破链路效果天花板。

【任职要求】

1、硕士研究生及以上学历，计算机科学、人工智能、机器学习、应用数学等相关领域；
2、对推荐系统与大模型技术有浓厚兴趣，具备扎实的算法与数据结构基础和优秀的编程能力，熟悉主流深度学习框架（PyTorch/TensorFlow）；
3、拥有扎实的机器学习基础，在推荐系统、大语言模型（LLM）、生成式建模等方向有深入理解；对召回/排序链路、序列建模、大规模稀疏模型有实践经验者优先；
4、有大规模分布式训练、算法与工程协同优化（co-design）经验，或在国际竞赛（包括但不限于 ACM-ICPC、数学建模大赛）获奖、在国际顶会（包括但不限于 KDD、NeurIPS、ICML、ICLR、SIGIR、RecSys 等）发表论文者优先；
5、优秀的分析与解决问题能力，敢于挑战传统架构、对突破推荐系统链路瓶颈充满激情。

【技术方向】

搜索、推荐、模型应用

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

登录后分析我的简历

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。

前往官方投递页 →