字节跳动
校招算法工程师 - Global Ads Core
北京/上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历，计算机、人工智能、自动化、数学、统计学、运筹优化等相关专业优先
- 热爱计算机科学和技术，对计算广告、机器学习、大模型、智能决策类产品有浓厚兴趣
- 具备扎实的数据结构和算法功底，熟悉机器学习、深度学习、自然语言处理、数据挖掘、强化学习、生成式模型、运筹优化、分布式计算中一项或多项
- 具备优秀的编码、数据分析、问题拆解和工程落地能力，能够面向复杂业务场景提出有效算法方案
- 具备良好的沟通协作能力、自驱力和学习能力，对解决具有挑战性的问题充满激情。
- 加分项：
- 有推荐系统、计算广告、出价策略、广告自动化相关实习经验或顶会Paper
- 有RL、生成式模型、运筹优化、LLM、Agent等相关研究或项目经验或顶会Paper。
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、参与国际化广告出价策略与自动化投放算法研发，围绕智能出价、自动创编、素材优选、版位优选等场景，构建高效、稳定、智能的广告投放优化系统；
- 2、参与机器学习、强化学习、生成式模型、LLM与Agent等技术在广告决策中的应用，探索广告投放Agent、智能调控、生成式出价、预算分配、冷启动优化、竞价环境建模等方向；
- 3、分析广告投放链路中的用户行为、广告主目标、流量价值与竞价环境，挖掘投放效果提升机会，提升成本达成、跑量能力与流量匹配效率；
- 4、参与Auto Bidding、Auto Creation、Auto Targeting、Auto Creative、Auto Placement等广告自动化策略建设，帮助广告主以更少操作获得更优投放效果；
- 5、与产品、工程、数据科学等团队协作，推进算法方案从问题分析、实验验证到线上落地，持续优化系统效果、稳定性与可扩展性。
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。