logo of bytedance

字节跳动广告算法实习生-行业技术

实习兼职A94428地点:上海状态:招聘

任职要求


1、2026届本科及以上学历在读,计算机等相关专业优先;
2、热爱计算机科学和互联网技术,对人工智能类产品有浓厚兴趣;
3、具备优秀的编码能力,熟悉Linux开发环境,熟悉C++Python语言优先;
4、有扎实的数据结构算法功底,熟悉机器学习自然语言处理数据挖掘、分布式计算、计算机视觉、计算机图形、语音识别与合成中一项或多项;
5、对推荐系统、计算广告、搜索引擎、对话问答、图像和视频分析处理相关技术有经验者优先;
6、优秀的分析问题和解决问题的能力,对解决具有挑战性问题充满激情。

工作职责


ByteIntern:面向2026届毕业生(2025年9月-2026年8月期间毕业),为符合岗位要求的同学提供转正机会。
团队介绍:我们是负责抖音集团行业广告相关的研发工作,支持行业投放策略产品研发与优化,提升投放效率与体验。行业场景丰富,包含抖音电商、生活服务、游戏短剧等。借由字节强大的算法工程能力,发挥直播体裁和闭环业务的天然优势,建设领先的交易智能营销平台,构建繁荣共赢的电商与生活服务营销生态。

1、利用机器学习技术,改进字节跳动的推荐、广告系统,优化数亿用户的阅读体验;
2、分析基础数据,挖掘用户兴趣、文章价值,增强推荐、广告系统的预测能力;
3、分析用户商业意图,挖掘流量潜在商业价值,提升流量变现;
4、研究计算机视觉算法,给用户提供更多更酷炫的功能;
5、研发机器翻译与对话技术,促进跨语言内容理解与交流。
包括英文材料
学历+
Linux+
C+++
Python+
数据结构+
算法+
机器学习+
NLP+
数据挖掘+
OpenCV+
语音识别+
推荐系统+
相关职位

logo of bytedance
实习A01207

ByteIntern:面向2026届毕业生(2025年9月-2026年8月期间毕业),为符合岗位要求的同学提供转正机会。 团队介绍:我们是负责抖音集团行业广告相关的研发工作,支持行业投放策略产品研发与优化,提升投放效率与体验。行业场景丰富,包含抖音电商、生活服务、游戏短剧等。借由字节强大的算法工程能力,发挥直播体裁和闭环业务的天然优势,建设领先的交易智能营销平台,构建繁荣共赢的电商与生活服务营销生态。 1、利用机器学习技术,改进字节跳动的推荐、广告系统,优化数亿用户的阅读体验; 2、分析基础数据,挖掘用户兴趣、文章价值,增强推荐、广告系统的预测能力; 3、分析用户商业意图,挖掘流量潜在商业价值,提升流量变现; 4、研究计算机视觉算法,给用户提供更多更酷炫的功能; 5、研发机器翻译与对话技术,促进跨语言内容理解与交流。

更新于 2024-12-24
logo of bytedance
实习A63896

ByteIntern:面向2026届毕业生(2025年9月-2026年8月期间毕业),为符合岗位要求的同学提供转正机会。 团队介绍:我们是负责抖音集团行业广告相关的研发工作,支持行业投放策略产品研发与优化,提升投放效率与体验。行业场景丰富,包含抖音电商、生活服务、游戏短剧等。借由字节强大的算法工程能力,发挥直播体裁和闭环业务的天然优势,建设领先的交易智能营销平台,构建繁荣共赢的电商与生活服务营销生态。 1、利用机器学习技术,改进字节跳动的推荐、广告系统,优化数亿用户的阅读体验; 2、分析基础数据,挖掘用户兴趣、文章价值,增强推荐、广告系统的预测能力; 3、分析用户商业意图,挖掘流量潜在商业价值,提升流量变现; 4、研究计算机视觉算法,给用户提供更多更酷炫的功能; 5、研发机器翻译与对话技术,促进跨语言内容理解与交流。

更新于 2024-12-24
logo of xiaohongshu
实习策略算法

针对行业设计差异化的召回、粗排、精排等模型能力升级,构建行业深度定制化系统能力; 从事搜索和信息流广告中教育、出行等线索留咨类行业的变现效率策略研究; 从流量策略、机制策略、智能出价、投放产品升级等方向提升行业消费空间; 以行业视角洞察行业预算和投放形态,优化成本达成、冷启、投放稳定性等核心客户体验;

更新于 2025-08-29
logo of bytedance
实习A21976A

团队介绍:我们是支持抖音集团广告业务算法技术中台团队Ads Core,致力于研发全球领先的在线广告优化算法,营造健康、互惠的广告生态,持续提升用户和客户体验,引领并推动行业算法的变革与创新。我们承担了抖音集团产品广告变现业务的基础算法策略和机制的改进与研究,涵盖抖音、今日头条、番茄小说等场景的商业化技术的支撑。 课题介绍: 自动化投放,是在客户给定的 营销诉求约束和素材商品资产下,平台通过感知投放状态信息(state)对投放6 要素做实时决策(action),和投放系统交互获得效果反馈(reward),来最大化客户投放效果。 过去自动化已经初步完成单Action model based 决策,在素材/出价/创编/探索预算等均有落地,但仍有以下问题:1)对历史序列建模 不够;2)仅对未来短期做决策,缺乏未来长周期action planning,不是长期最优; 3)多 action 之间缺乏组合,带来互相干扰和 label 收集不准等问题。 多客户投放竞价时,平台提供一套激励兼容且更高效的拍卖机制很重要,目前混排已经升级到 Generator-Evaluator 架构,但 G 阶段生成序列时还以暴力搜索和启发式规则为主,限制了搜索空间和效果上限,效率比较低。随着生成式模型发展,生成式对长序列建模和序列 planning生成 有显著优势,因此探索 将自动化投放和拍卖机制继续升级到生成式范式, 提升效果。

更新于 2025-03-03