腾讯
校招腾讯营销 —机器学习平台技术研究
北京 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、具备扎实的机器学习 / 深度学习基础，了解推荐系统或广告预估相关概念；
- 2、熟练使用至少一种深度学习框架（如 PyTorch / TensorFlow），掌握 Python 编程，具备良好的代码规范与调试能力；
- 3、对 scaling law、大模型训练、训练效率优化等方向有兴趣，能阅读相关英文论文并进行复现或改进；
- 4、具备较强的数据分析能力，熟练使用常用数据处理与可视化工具（如 Pandas、SQL、Matplotlib 等）；
- 5、对分布式训练、GPU 计算、参数服务器 / Embedding 服务等有一定了解者优先；
- 6、有大规模训练、推荐/广告实习或项目经历者优先。
岗位描述
【岗位职责】
课题背景：
随着大规模预估模型在广告业务中的广泛应用，模型规模、特征维度与训练数据量持续增长，呈现出类似 scaling law 的规律。
当前挑战：更大的模型与数据通常带来效果提升，但也显著推高训练成本与平台负载。在实际生产环境中，GPU/存储/网络资源受限，如何在遵循或利用广告场景下的 scaling law 前提下，实现训练平台的性能优化（吞吐、时延、资源利用率）与效果优化之间的平衡，成为广告训练基础设施演进中的关键问题。
工作内容：
- 1、训练性能与资源优化
参与大规模广告训练平台的性能剖析，识别 GPU/CPU、网络、存储等瓶颈环节并优化；
在给定资源约束下，设计并验证不同模型规模、批大小、并行策略（数据/模型/流水线并行等）的组合方案，提升端到端训练效率。
- 2、效果–成本联合优化策略
探索利用 scaling law 进行“效果–成本”联合优化的策略，如自动化选择最优模型规模、训练步数和采样策略；
将相关策略在离线训练及小流量线上实验中进行验证，评估对 AUC、CTR/CVR、收益等指标的影响。
- 3、工程实现与平台落地
协助将验证有效的策略沉淀至训练平台配置、调度策略或自动化推荐工具中；
配合团队完成实验系统、可视化分析工具等工程模块的开发与维护。
【任职要求】
- 1、具备扎实的机器学习 / 深度学习基础，了解推荐系统或广告预估相关概念；
- 2、熟练使用至少一种深度学习框架（如 PyTorch / TensorFlow），掌握 Python 编程，具备良好的代码规范与调试能力；
- 3、对 scaling law、大模型训练、训练效率优化等方向有兴趣，能阅读相关英文论文并进行复现或改进；
- 4、具备较强的数据分析能力，熟练使用常用数据处理与可视化工具（如 Pandas、SQL、Matplotlib 等）；
- 5、对分布式训练、GPU 计算、参数服务器 / Embedding 服务等有一定了解者优先；
- 6、有大规模训练、推荐/广告实习或项目经历者优先。
【技术方向】
AI基础设施、系统与安全
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。