{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "大模型时代的直播实时推荐算法工程师（用户理解、内容建模与智能分发） - TikTok算法",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "北京、上海",
        "work_mode": "未披露",AI生成
        "job_category": "算法"AI生成
    },
    "company": {
        "company_name": "字节跳动",
        "company_industry": "互联网 / 数字内容 / 电商",
        "company_size": "10000人以上",
        "company_website": "bytedance.com",
        "company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "2027届获得硕士及以上学位",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、参与TikTok直播推荐算法研发，面向全球超大规模用户与内容生态，构建业界领先的实时推荐系统；直播内容具有强实时、强交互、快速演化等特点，相较传统内容推荐，对用户兴趣感知、内容理解、模型泛化、冷启动和在线学习能力提出更高要求；\n2、围绕用户理解、内容建模与智能分发，结合深度学习、表征学习、序列建模、多任务学习、因果推断等技术，持续优化直播推荐核心算法，包括召回、粗排、精排、混排、多样性等关键环节；探索大模型、多模态建模及生成式推荐等前沿技术在直播推荐场景中的应用，提升推荐系统对用户实时兴趣与直播内容的理解能力；\n3、面向直播场景高频、动态的用户行为反馈，研究用户长期兴趣与实时意图的统一建模，提升模型对兴趣变化、直播间状态变化和新用户/新主播等冷启动场景的快速感知与泛化能力，让用户更高效地发现感兴趣的主播和内容；\n4、深入理解用户、主播与平台之间的多方生态关系，通过算法和系统创新持续优化用户体验、主播成长与平台长期价值，在点击、观看、互动、留存、生态健康等多目标之间实现更合理的建模与优化，推动TikTok直播生态的长期健康增长；\n5、与产品、运营及工程团队紧密合作，从真实业务问题中抽象具有挑战性的算法问题，将前沿研究与超大规模线上系统相结合，推动算法创新快速落地，并持续探索下一代直播推荐与智能分发技术。",
        "requirements_text": "1、2027届获得硕士及以上学位，计算机、电子、数学等相关专业；\n2、具备扎实的编程能力、数据结构与算法基础，具有良好的工程素养和代码习惯；\n3、具备扎实的机器学习/深度学习基础，熟悉至少一种主流深度学习框架；对推荐系统、自然语言处理、多模态、大模型等至少一个方向有较深入的理解或实践经验；\n4、对推荐系统中的用户建模、内容理解、序列建模、多任务学习、生成式建模、因果推断、强化学习等方向有兴趣，能够从复杂业务场景中抽象并解决具有挑战性的算法问题；\n5、对技术创新保持热情，具备优秀的问题分析和解决能力；积极主动，有责任心，并具有良好的沟通和团队协作能力；\n6、具备以下经历之一者优先：\n1）在机器学习、推荐系统、数据挖掘、NLP、多模态等领域顶级会议或期刊发表论文；\n2）在ACM、Kaggle、机器学习/算法类竞赛中取得优秀成绩；\n3）有大规模推荐系统、搜索、计算广告、大模型或多模态算法相关实习/项目经验；\n4）有高并发、实时推荐或超大规模机器学习系统实践经验。",
        "skills": [AI生成
            "机器学习",
            "深度学习",
            "强化学习",
            "自然语言处理",
            "数据结构",
            "数据挖掘",
            "团队协作",
            "建模",
            "大语言模型"
        ],
        "preferred_qualifications": "6、具备以下经历之一者优先：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/campus/position/7668323995229473077/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7668323995229473077",
        "post_date": "2026-07-30",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/campus/position/7668323995229473077/detail"
    },
    "fulltext": "大模型时代的直播实时推荐算法工程师（用户理解、内容建模与智能分发） - TikTok算法\n职位描述\n团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、参与TikTok直播推荐算法研发，面向全球超大规模用户与内容生态，构建业界领先的实时推荐系统；直播内容具有强实时、强交互、快速演化等特点，相较传统内容推荐，对用户兴趣感知、内容理解、模型泛化、冷启动和在线学习能力提出更高要求；\n2、围绕用户理解、内容建模与智能分发，结合深度学习、表征学习、序列建模、多任务学习、因果推断等技术，持续优化直播推荐核心算法，包括召回、粗排、精排、混排、多样性等关键环节；探索大模型、多模态建模及生成式推荐等前沿技术在直播推荐场景中的应用，提升推荐系统对用户实时兴趣与直播内容的理解能力；\n3、面向直播场景高频、动态的用户行为反馈，研究用户长期兴趣与实时意图的统一建模，提升模型对兴趣变化、直播间状态变化和新用户/新主播等冷启动场景的快速感知与泛化能力，让用户更高效地发现感兴趣的主播和内容；\n4、深入理解用户、主播与平台之间的多方生态关系，通过算法和系统创新持续优化用户体验、主播成长与平台长期价值，在点击、观看、互动、留存、生态健康等多目标之间实现更合理的建模与优化，推动TikTok直播生态的长期健康增长；\n5、与产品、运营及工程团队紧密合作，从真实业务问题中抽象具有挑战性的算法问题，将前沿研究与超大规模线上系统相结合，推动算法创新快速落地，并持续探索下一代直播推荐与智能分发技术。\n\n职位要求\n1、2027届获得硕士及以上学位，计算机、电子、数学等相关专业；\n2、具备扎实的编程能力、数据结构与算法基础，具有良好的工程素养和代码习惯；\n3、具备扎实的机器学习/深度学习基础，熟悉至少一种主流深度学习框架；对推荐系统、自然语言处理、多模态、大模型等至少一个方向有较深入的理解或实践经验；\n4、对推荐系统中的用户建模、内容理解、序列建模、多任务学习、生成式建模、因果推断、强化学习等方向有兴趣，能够从复杂业务场景中抽象并解决具有挑战性的算法问题；\n5、对技术创新保持热情，具备优秀的问题分析和解决能力；积极主动，有责任心，并具有良好的沟通和团队协作能力；\n6、具备以下经历之一者优先：\n1）在机器学习、推荐系统、数据挖掘、NLP、多模态等领域顶级会议或期刊发表论文；\n2）在ACM、Kaggle、机器学习/算法类竞赛中取得优秀成绩；\n3）有大规模推荐系统、搜索、计算广告、大模型或多模态算法相关实习/项目经验；\n4）有高并发、实时推荐或超大规模机器学习系统实践经验。\n团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、参与TikTok直播推荐算法研发，面向全球超大规模用户与内容生态，构建业界领先的实时推荐系统；直播内容具有强实时、强交互、快速演化等特点，相较传统内容推荐，对用户兴趣感知、内容理解、模型泛化、冷启动和在线学习能力提出更高要求；\n2、围绕用户理解、内容建模与智能分发，结合深度学习、表征学习、序列建模、多任务学习、因果推断等技术，持续优化直播推荐核心算法，包括召回、粗排、精排、混排、多样性等关键环节；探索大模型、多模态建模及生成式推荐等前沿技术在直播推荐场景中的应用，提升推荐系统对用户实时兴趣与直播内容的理解能力；\n3、面向直播场景高频、动态的用户行为反馈，研究用户长期兴趣与实时意图的统一建模，提升模型对兴趣变化、直播间状态变化和新用户/新主播等冷启动场景的快速感知与泛化能力，让用户更高效地发现感兴趣的主播和内容；\n4、深入理解用户、主播与平台之间的多方生态关系，通过算法和系统创新持续优化用户体验、主播成长与平台长期价值，在点击、观看、互动、留存、生态健康等多目标之间实现更合理的建模与优化，推动TikTok直播生态的长期健康增长；\n5、与产品、运营及工程团队紧密合作，从真实业务问题中抽象具有挑战性的算法问题，将前沿研究与超大规模线上系统相结合，推动算法创新快速落地，并持续探索下一代直播推荐与智能分发技术。\n1、2027届获得硕士及以上学位，计算机、电子、数学等相关专业；\n2、具备扎实的编程能力、数据结构与算法基础，具有良好的工程素养和代码习惯；\n3、具备扎实的机器学习/深度学习基础，熟悉至少一种主流深度学习框架；对推荐系统、自然语言处理、多模态、大模型等至少一个方向有较深入的理解或实践经验；\n4、对推荐系统中的用户建模、内容理解、序列建模、多任务学习、生成式建模、因果推断、强化学习等方向有兴趣，能够从复杂业务场景中抽象并解决具有挑战性的算法问题；\n5、对技术创新保持热情，具备优秀的问题分析和解决能力；积极主动，有责任心，并具有良好的沟通和团队协作能力；\n6、具备以下经历之一者优先：\n1）在机器学习、推荐系统、数据挖掘、NLP、多模态等领域顶级会议或期刊发表论文；\n2）在ACM、Kaggle、机器学习/算法类竞赛中取得优秀成绩；\n3）有大规模推荐系统、搜索、计算广告、大模型或多模态算法相关实习/项目经验；\n4）有高并发、实时推荐或超大规模机器学习系统实践经验。",
    "standard_classification": {
        "std_category_code": "T011",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}