【北斗】推荐大模型算法工程师

北京 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

【任职资格】
必要条件：
1.2027届本科及以上学历，计算机/人工智能/统计学等相关专业；
2.具备扎实的机器学习与深度学习理论基础；
3.具有优秀的科研能力与工程实现能力，在搜索、推荐、广告或者大模型等方向具备有影响力的研究和落地成果。
加分项：
1.在 WWW/KDD/SIGIR/NeurIPS/ICML/ICLR 等顶会有较为丰富的论文成果；
2.ACM/ICPC、Kaggle 等竞赛获奖经历。
【为什么是我们】
1.顶级算力与数据：千卡 GPU 集群 + 亿级真实用户行为数据直接业务影响；
2.服务于美团全平台亿级用户，技术价值即刻可见跨领域研究前沿；
3.LLM × Recommendation 是当前最前沿的交叉研究方向，与学术界保持深度合作成长赛道稀缺；
4.推荐大模型复合人才极度稀缺，在此领域积累的竞争壁垒将成为职业发展的强力护城河。

岗位描述

【岗位职责】

【愿景】

美团推荐系统日均处理数十亿次请求，是国内规模最大、场景最复杂的本地生活推荐引擎之一。当 Scaling Law 在语言模型上的成功已被充分验证，推荐系统正站在同等量级的范式跃迁临界点——我们已经落地了MTGR等具有影响力的推荐大模型成果；我们正在做的，是让推荐系统进一步进化，构建下一代生成式Agentic推荐系统。

【你将参与】

1.生成式推荐建模：探索具有 Scale Up 属性的端到端生成式推荐架构，突破传统判别式模型的效果天花板，对用户行为序列进行深度建模，全方位挖掘用户兴趣。
2.算法与工程协同：通过算法与系统的协同设计显著提升推荐链路 MFU 水平，解决大参数量模型在毫秒级在线服务下的效果-性能平衡难题。
3.Agentic Recommendation：打破传统协同过滤的被动匹配局限，设计具备领域专家经验、推理能力与主动规划能力的推荐 Agent，探索意图理解驱动的下一代推荐范式。

【任职要求】

【任职资格】

必要条件：

1.2027届本科及以上学历，计算机/人工智能/统计学等相关专业；
2.具备扎实的机器学习与深度学习理论基础；
3.具有优秀的科研能力与工程实现能力，在搜索、推荐、广告或者大模型等方向具备有影响力的研究和落地成果。

加分项：

1.在 WWW/KDD/SIGIR/NeurIPS/ICML/ICLR 等顶会有较为丰富的论文成果；
2.ACM/ICPC、Kaggle 等竞赛获奖经历。

【为什么是我们】

1.顶级算力与数据：千卡 GPU 集群 + 亿级真实用户行为数据直接业务影响；
2.服务于美团全平台亿级用户，技术价值即刻可见跨领域研究前沿；
3.LLM × Recommendation 是当前最前沿的交叉研究方向，与学术界保持深度合作成长赛道稀缺；
4.推荐大模型复合人才极度稀缺，在此领域积累的竞争壁垒将成为职业发展的强力护城河。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →