腾讯
实习微信视频号-跨域多模态生成式推荐和推荐大模型技术研究
广州 · 实习 · 博士
长期有效
任职要求
- 1、包含但不限于计算机、信息工程、模式识别、人工智能、自动化、软件工程、电子工程、统计学、应用数学、物理学/量子计算、信息安全、信号与信息处理等专业的博士和优秀硕士；
- 2、具备优秀的编码能力，扎实的数据结构和算法功底；
- 3、乐于动手，有良好的逻辑思维能力和数据敏感度，具有优秀的新技术研究能力；
- 4、发表过大模型、推荐系统、多模态学习相关顶会（如NeurIPS、ICML、ICLR、RecSys）或核心期刊论文，第一作者优先。
岗位描述
【岗位职责】
课题背景：
主流的推荐系统主要基于历史行为的协同过滤与深度学习模型，存在信息茧房与惊喜不足、冷启挑战和跨场景协同能力弱等局限，生成式人工智能与大规模预训练模型技术的突破，为构建更智能、更人性化、更具创造性的推荐系统提供了新的范式。
课题挑战：
- 1、架构设计：需要设计适合推荐任务（用户-物品交互预测）的大模型架构，如何有效融入ID、序列、多模态特征，并与传统的推荐模型优势结合。
- 2、效率与成本：大模型训练与推理成本高昂。如何在保证效果的前提下，通过模型压缩、蒸馏、自适应推理等技术，使其满足视频号海量用户与实时推荐的极致性能与成本要求。
具体工作：
- 1、提升用户体验与留存：通过生成式大模型提供个性化的直播推荐结果与推荐文案，并能主动探索用户潜在兴趣，打破信息茧房，增强兴趣探索与用户粘性；
- 2、深化内容与用户理解：构建跨域多模态推荐大模型框架，实现对用户全域行为的深度语义理解，显著提升视频号直播推荐精准度，改善用户停留时长、互动率与转化率。
【任职要求】
- 1、包含但不限于计算机、信息工程、模式识别、人工智能、自动化、软件工程、电子工程、统计学、应用数学、物理学/量子计算、信息安全、信号与信息处理等专业的博士和优秀硕士；
- 2、具备优秀的编码能力，扎实的数据结构和算法功底；
- 3、乐于动手，有良好的逻辑思维能力和数据敏感度，具有优秀的新技术研究能力；
- 4、发表过大模型、推荐系统、多模态学习相关顶会（如NeurIPS、ICML、ICLR、RecSys）或核心期刊论文，第一作者优先。
【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。