字节跳动
校招算法工程师 - Global Ads Core
上海/北京 · 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，计算机科学、统计学、运筹学、应用数学、物理学专业优先
- 拥有以下一个或多个领域的实践经验：机器学习、深度学习、统计模型和应用数学方法
- 扎实的编程技能，精通C/C++和Python；熟悉基本的数据结构和算法
- 熟悉大数据系统，包括Hadoop和Spark
- 熟悉至少一种主流机器学习编程框架（TensorFlow/PyTorch/MXNet）的架构和实现
- 对新技术有好奇心和创业精神。
- 加分项：
- 在自然语言处理/计算机视觉/推荐系统领域有论文发表（例如，在RecSys、KDD、ICML、NeurIPS、CVPR等会议的论文列表、研讨会、口头报告等）
- 具备大语言模型（LLM）相关实践经验者优先。
岗位描述
团队介绍：广告核心团队在不同的广告投放阶段建立关键的变现机制
- 1. 我们建立排序、出价、预算、样式、诊断和其他框架，作为中台，使其他广告团队能够并行迭代他们的产品。
- 2. 我们实施流量策略，在用户体验的约束下实现收入的持续增长，实现广告主受众的深度探索。
- 3. 我们的模型驱动自动化解决方案从头到尾优化广告投放性能。
- 1、基于前沿技术，包括机器学习、深度学习、强化学习、LLM以及ScalingUp，在复杂的商业化场景中引领全球先进广告投放系统、模型的研发；
- 2、优化整个广告漏斗的效率，涵盖召回与粗排、精排（点击率、转化率）、素材生态、样式、创意个性化以及系统资源分配；
- 3、建立和完善系统框架与标准，提升效率和长期价值，同时满足不同垂直业务的多样化需求；
- 4、与全球市场的产品和业务团队合作，最大化影响力以及追求全球广告收入的持续提升。
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。