字节跳动
校招算法工程师 - 国际化搜索广告
北京/上海/深圳/杭州 · 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，计算机科学、计算机工程或相关专业优先
- 熟练掌握一种或多种编程语言，包括但不限于：Python、Go、C/C++
- 在以下领域之一具有经验和良好理解：搜索、广告、推荐、电商、商业化产品；有推荐/搜索系统模型开发经验和训推经验；有LLM预训练、SFT、RLHF或LLM和推荐联合训练经验
- 具备较强的问题分析能力，能独立拆解复杂问题并提出清晰可落地的解决方案；有跨职能、跨文化团队协作经验，适应国际化业务节奏
- 在顶级会议/期刊上发表过高质量论文，如ACL/EMNLP/NAACL/NIPS等。
岗位描述
团队介绍：国际化搜索广告团队不断突破通用搜索引擎变现的界限，覆盖海外应用，致力于构建全球领先的搜索广告变现系统。在国际化搜索广告团队，您将有机会从事大规模分布式存储和架构、自然语言处理、排序和信息检索相关的问题。您还将深入参与我们的广告样式、创意展示和广告投放链路的创新和优化。我们正在寻找勇于挑战困难、热衷于解决复杂问题并与热情洋溢的候选人们共同发展我们的搜索广告产品。
- 1、参与生成式召回与粗排系统建设，探索将大语言模型/生成式模型引入广告召回与粗排链路，针对海量内容利用多模态大模型的内容理解和表征能力进行语义ID构建，推动广告系统从多层级联判别式链路向端到端生成式架构演进，提升系统泛化能力，以此为基础进行全链路高效Scaling-Up；
- 2、参与精排研发，包括Foundation Model、知识蒸馏、长序列行为建模、Large Recommendation Model架构设计与大规模训练优化，持续提升搜索广告排序质量；
- 3、参与精排模型效率优化，探索模型压缩、计算加速、训练与推理成本降低等工程方向，支撑大模型在线服务落地；
- 4、参与LLM与LRM的协同训练研究，探索跨任务联合表示与能力迁移，参与Query意图理解与搜索相关性建模，提升多语言、多文化场景下的广告检索精准度；
- 5、参与AI搜索、广告创意智能生成等前沿方向的探索与落地；
- 6、与产品、工程及运营团队协作，推动算法能力快速落地，覆盖Ti。
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。