腾讯
实习微信视频号-全域兴趣驱动的生成式推荐与促活系统研究
深圳总部/广州 · 实习 · 博士
长期有效
任职要求
- 学历和专业要求：
- 计算机科学、人工智能、数据科学等相关专业的博士 / 硕士研究生，具备扎实的算法理论基础。
- 技术技能要求：
- 精通深度学习框架，熟悉超大模型训练；掌握推荐系统、召回 / 排序算法及多目标优化机制；具备LLM开发、调优经验。
- 软性素质要求：
- 具备极强的逻辑推理能力与跨团队协作能力，对技术细节有极致追求，能够独立推动算法项目从模型研发到线上落地的全流程；良好的表达和沟通能力
- 加分项：
- 对LLM或推荐的学术前沿方向有极强的理解，有较丰富的高质量学术产出；生成式相关落地的履历；良好的表达和沟通
- 头部学校或竞企实习履历；生成式相关落地的履历；良好的表达和沟通。
- 此课题同时招聘应届实习生和低年级实习生。
岗位描述
【岗位职责】
课题背景：
视频号推送和双流推荐场景，是连接微信全域生态与视频号海量供给的核心高频入口，需解决如何高效融合微信多模态行为数据，实现低活用户隐式兴趣捕捉和动态更新；需攻克如何利用点击率等实时后验反馈数据对大模型进行闭环微调，以实现高转化率素材生成；需解决在毫秒级延迟约束下，如何将超大参数生成式模型高效部署于高并发促活场景，以提升全链路促活效率。
课题挑战：
- 1、探索基于LLM的全微信域兴趣深度encode体系
- 2、探索建立基于后验数据的生成式文案自适应优化机制
- 3、探索超大参数生成式推荐模型在高频点击场景的实时落地
具体工作：
- 1、素材生成和推荐联动的大模型设计与研究；素材LLM全链路设计和后训练规划
- 2、生成式推荐研究；模型Scaling研究；素材生成点击率和合规率提升
【任职要求】
学历和专业要求：
计算机科学、人工智能、数据科学等相关专业的博士 / 硕士研究生，具备扎实的算法理论基础。
技术技能要求：
精通深度学习框架，熟悉超大模型训练；掌握推荐系统、召回 / 排序算法及多目标优化机制；具备LLM开发、调优经验。
软性素质要求：
具备极强的逻辑推理能力与跨团队协作能力，对技术细节有极致追求，能够独立推动算法项目从模型研发到线上落地的全流程；良好的表达和沟通能力
加分项：
对LLM或推荐的学术前沿方向有极强的理解，有较丰富的高质量学术产出；生成式相关落地的履历；良好的表达和沟通
头部学校或竞企实习履历；生成式相关落地的履历；良好的表达和沟通。
【加分项】
此课题同时招聘应届实习生和低年级实习生。
【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 运营 岗位的常见面试问题整理
我提到了电竞方面，另一个面试官就问我对于ig战队（lol）的看法，然后一道情景题：公司和ig方面有合作，怎样运营才能吸引ig粉丝使用我们产品
查看答题思路
1. 电竞营销=粉丝经济，核心是社区运营而非传统广告 2. 跨界合作：战队/选手/IP 联名，借粉丝流量 3. 内容策略：比赛直播/选手日常/粉丝二创/社区活动 4. 案例：用 STAR 讲一个电竞相关的运营策划
另一个面试官看我的专业（偏设计）就问我愿不愿意做产品设计方向，让我发作品集 大概就这些 #咪咕#<a href="/creation/subject/928d551be73f40db82c0ed83286c8783" target="_blank" class="s
查看答题思路
1. 核心概念：一句话说清这个问题的底层逻辑 2. 方法论/框架：用 STAR 原则或专业框架结构化回答 3. 实际案例：结合一个具体场景说明 4. 量化结果：用数据佐证你的观点
你认为内容运营需要具备哪些能力
查看答题思路
1. 内容运营=创作有价值的内容→分发到正确渠道→吸引目标用户→促成转化 2. 核心能力：选题能力（知道用户想看什么）、写作能力、数据分析能力（用数据迭代内容策略） 3. 生命周期：选题→创作→审核→发布→分发→数据回收→优化→二次传播 4. 优质内容标准：原创/有用/有趣/有共鸣/有行动引导
谈谈你理解的内容生命周期
查看答题思路
1. 真诚：为什么对这个方向感兴趣（具体经历/瞬间） 2. 匹配：你的能力和这个岗位的契合点 3. 成长：你希望从这个岗位学到什么 4. 贡献：你能为团队带来什么
自我介绍
查看答题思路
1. 我是谁（姓名+学校+专业，15秒） 2. 我做过什么（最相关的 1-2 个经历，30秒） 3. 为什么适合这个岗位（能力匹配，15秒） 4. 总时长控制在 1 分钟以内 5. 避免：念简历、说「我学习能力强」这种空话
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。