字节跳动算法工程师-国际电商

校招全职A2523792025-09-08地点：杭州状态：招聘

扫码手机上打开

任职要求

1、2026届获得本科及以上学历，人工智能、计算机、数学相关专业优先；
2、扎实的算法和数据结构基础，优秀的编码能力； 
3、机器学习基础扎实，熟悉CF、MF、FM、Word2vec、LR、GBDT、DNN、Wide&Deep等常用的算法模型，熟悉C++/Python/Java等语言，熟悉Linux开发环境； 
4、有个性化推荐、广告、信息检索、自然语言处理、机器学习等相关领域研究或者项目实践经验更佳；
5、在KDD、NeurIPS、WWW、SIGIR、WSDM、ICML、IJCAI、AAAI、RecSys等会议发表过论文，或者有过数据挖掘/机器学习相关的竞赛经历更佳；
6、有钻研精神，主观能动性强，能适应快速变化的业务需求，具备良好的团队合作精神和沟通技巧。

工作职责

团队介绍：国际电商是以TikTok为载体的电商业务（也称为TikTok Shop），致力于成为用户发现并获取优价好物的首选平台，在直播电商、视频内容电商、货架电商等多场景下，国际电商希望能为用户提供更个性化、更主动、更高效的消费体验，为商家提供稳定可靠的平台服务，致力于新奇好物畅销全球，美好生活触手可得的使命。
Data-电商团队是国际电商的核心算法技术力量，专注于电商领域的算法创新，帮助用户高效发现感兴趣的商品，保障用户的购物安全，提升交易各环节的智能化水平。在这里，你将与一流的产品和技术团队合作、钻研，一起应对技术和业务上的挑战，推动技术在电商场景的深度落地。

1、参与千万至亿级规模的电商个性化推荐/NLP/搜索等算法的优化； 
2、通过表征学习、图模型、深度学习、迁移学习、多任务学习等技术提升信息匹配的效率，让每个用户可以便捷的找到优质好货，同时服务数百万商家达人； 
3、挖掘和分析海量用户/商家/达人行为数据，进行长短期兴趣建模，以及潜在兴趣预测，提升推荐的精准性； 
4、通过算法自动挖掘优质、专业、高口碑的商品和主播，构建良性的循环机制，优化内容电商生态；
5、结合内容电商的业务特性，进行模型和算法创新，打造业界领先的算法和系统。

📮 投递简历 ✨AI模拟面试

难度：

包括英文材料

学历+

算法+

数据结构+

机器学习+

GBDT+

C+++

Python+

Java+

Linux+

信息检索+

NLP+

NeurIPS+

WSDM+

ICML+

RecSys+

数据挖掘+

相关职位

推荐算法工程师-国际电商

社招A197192

1、支持国际化电商业务快速发展，服务数百万达人商家，探索更高效的商业模式，满足用户最好的购物体验，促进生态良性发展； 2、超大规模的推荐模型优化，利用深度学习、迁移学习、多任务学习、表征学习、强化学习等多种方法提升信息匹配的效率； 3、通过挖掘达人/商家在用户群长短期兴趣建模和特征交互方式上持续研究探索，不断提高达人-商家-用户兴趣的匹配精度； 4、对达人、商家的行为做深入的理解和分析，制定针对的算法策略赋能供需两端，提升商家变现效率，助推产业升级； 5、结合内容电商的业务特性，进行模型和算法创新，打造业界领先的推荐算法和系统。

更新于 2024-01-29

搜索算法工程师-国际电商

社招A64323

1、设计和构建大规模机器学习算法，深度优化电商搜索引擎如召回、排序、语意分析、相关性计算和排序场景的各项业务指标，包括相关性、点击率、选品率、发文率、动销率等； 2、通过对大量用户query的分析挖掘，构建机器学习解决方案和算法策略，赋能商家侧，提升平台整体撮合能力； 3、利用海量数据，深度分析创作者和商家的行为，构建针对性的算法策略，赋能创作者和商家，提高商家变现效率，助推产业升级； 4、支撑国际化业务的电商业务快速发展，服务百万商家，探索更高效的商业模式，满足用户最佳购物体验，促进生态健康发展。

更新于 2024-02-05

推荐算法工程师-国际电商

社招A246591

1、参与国际的电商个性化推荐算法的优化，主要包括国际化电商直播推荐、电商短视频推荐、新用户推荐、直播/视频冷启动、长期价值建模、体验优化等工作； 2、通过表征学习、深度学习、迁移学习、多任务学习等技术提升信息匹配的效率，让每个用户可以便捷的找到好的主播和优质的货品； 3、挖掘和分析海量用户行为数据，进行用户长短期兴趣建模，以及潜在兴趣预测、探索，提升推荐的精准性和发现性； 4、通过算法自动挖掘优质、专业、高口碑的商品和主播，构建良性的循环机制，优化内容电商生态； 5、结合内容电商的业务特性，进行模型和算法创新，打造业界领先的推荐算法和系统。

更新于 2025-04-10

推荐算法工程师-国际电商（商城）

社招A76900

1、独特的业务问题，涉及到商品/直播/短视频等多种体裁的混合推荐，多个场景/多种目标的联合建模； 2、超大规模的推荐模型优化，利用深度学习、迁移学习、多任务学习、表征学习、强化学习等多种方法提升信息匹配的效率； 3、在用户长短期兴趣建模和特征交互方式上持续研究探索，不断提高用户兴趣的匹配精度； 4、在多样性，发现性，用户/物品冷启动，高品质商品和主播的挖掘等问题专项研究，构建良性的循环机制，优化内容电商生态； 5、结合内容电商的业务特性，进行模型和算法创新，打造业界领先的推荐算法和系统。

更新于 2024-02-01