腾讯
实习微信 视频号-加热大模型驱动的跨域推荐与商业化全链路优化研究
广州 · 实习 · 博士
长期有效
任职要求
- 学历和专业要求：计算机科学、人工智能、数据科学等相关专业的博士 / 硕士研究优先，具备扎实的算法理论基础。
- 技术技能要求：精通深度学习框架，熟悉超大模型训练；掌握推荐系统、召回 / 排序算法及多目标优化机制；具备LLM开发、调优经验。
- 软性素质要求：具备极强的逻辑推理能力与跨团队协作能力，对技术细节有极致追求，能够独立推动算法项目从模型研发到线上落地的全流程。
岗位描述
【岗位职责】
课题背景：微信视频号加热服务于创作者/商家，是他们付费进行助推和主动冷启的工具。面临亿级用户、超长序列及多场景跨域推荐的挑战，以及稀疏场景下内容冷启动难等问题，需开展超大推荐模型研究，以提升推荐精准度与商业变现效率。
课题挑战：
- 1. 攻克超长序列高效建模；
- 2. 探索生成式推荐在视频号加热中的落地；
- 3. 探索高效Scaling Up结构，在成本可控的前提下提升模型容量，优化分发效率；
- 4. 使用LLM或VLLM增强系统对内容的识别能力，或引入世界知识提升效果。
具体工作：负责视频号加热算法研发，提升全链路用户体验与变现效率。
【任职要求】
学历和专业要求：计算机科学、人工智能、数据科学等相关专业的博士 / 硕士研究优先，具备扎实的算法理论基础。
技术技能要求：精通深度学习框架，熟悉超大模型训练；掌握推荐系统、召回 / 排序算法及多目标优化机制；具备LLM开发、调优经验。
软性素质要求：具备极强的逻辑推理能力与跨团队协作能力，对技术细节有极致追求，能够独立推动算法项目从模型研发到线上落地的全流程。
【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
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。