字节跳动
实习推荐算法实习生-抖音
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、数学、统计学、自动化等相关专业
- 具备扎实的数据结构与算法功底，编程基础扎实；熟练使用Python/C++，熟悉Linux开发环境；熟练掌握PyTorch或TensorFlow等至少一种深度学习框架，有独立实现复杂模型结构的能力
- 对机器学习、深度学习的基础理论有透彻理解；了解推荐系统、自然语言处理（NLP）或计算机视觉（CV）的基础概念及经典算法（如CTR预估经典模型、序列建模、双塔模型等）
- 持续关注AI领域尤其是大语言模型（LLM）的发展；了解Transformer架构及主流预训练模型，有开源大模型微调（SFT、RLHF）或多模态相关学术项目经验者优先
- 具备优秀的逻辑思维能力与自驱力，具备好奇心和快速学习能力；面对未知和挑战具备积极解决问题的能力；具备良好的沟通表达能力与团队协作精神。
- 加分项
- 在KDD、NeurIPS、ICLR、ACL、EMNLP、CVPR等人工智能、数据挖掘相关顶级会议有第一作者论文发表
- 在Kaggle、KDD Cup、天池等国内外数据挖掘或算法竞赛中获得过优异成绩
- 获得过ACM/ICPC、CCPC等程序设计竞赛区域赛金牌及以上荣誉。
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：Data-抖音团队，负责抖音APP的推荐算法、AI大模型应用、内容算法、智能对话等算法工作，对接全链路各体裁（短视频，直播，图文）各业务（内容消费，UGC，打赏，社交，生态，投稿，消息，汽水音乐，精选，增长投放，评论，内容理解&安全、智能对话等）。我们的工作涉及大规模推荐算法的优化、复杂约束的优化问题的解决、内容理解、LLM技术技术研究、AI落地应用以及新业务方向探索、CV/NLP等多个学术领域的算法改进工作、对多种场景的推荐架构的设计和实现和对产品数据的复杂深入的分析工作。在这里，你可以深入钻研机器学习算法的改进和优化，探索工业界最领先的推荐系统架构和推荐大模型算法、可以通过使用最新的大模型等技术支持抖音的数字人、智能客服、AI工具等创新探索；可以通过对产品的深度理解和思考，将算法应用到业务中去；也可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。
- 1、深入参与抖音App及其衍生矩阵（抖音极速版、火山版、PAD版等）的视频推荐算法迭代，优化业务核心指标，提升用户体验和内容生态健康度；
- 2、针对今日头条/番茄等跨端场景，构建高效的跨域迁移学习和多场景联合学习框架，解决数据稀疏和冷启动问题，实现全场景流量的全局最优分发；
- 3、深入挖掘全链路（召回、粗排、精排、重排/混排）的优化空间，通过深度学习模型结构创新、特征工程迭代和策略机制设计，持续打破业务天花板；
- 4、与工程团队紧密合作，解决超大规模模型在千亿级特征、万亿级样本下的分布式训练与在线高并发低延迟推理问题。
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。