📚 课程目录第1章岗位能力画像与简历优化模板

第1章：岗位能力画像与简历优化模板

  本章目标：拆解广告算法模型训练工程师的核心能力要求，提供可直接套用的简历结构、关键词清单与成果量化句式。面试官第一眼看的不是项目细节，而是你的能力画像是否匹配岗位。

能力维度	关键子技能	面试考察形式
深度学习基础	DNN/Transformer/Attention，损失函数，正则化	手撕模型、推导梯度
广告系统知识	CTR/CVR预估，多目标优化，冷启动，归因	场景设计题、指标分析
模型优化能力	特征工程，模型压缩，蒸馏，AutoML	优化策略讨论、实验对比
工程落地能力	PyTorch/TensorFlow，Spark，TFX，AB实验	架构设计、效率优化
业务理解	广告竞价逻辑，ROI，用户生命周期	案例分析、指标归因

高频词：CTR/CVR预估、多任务学习、特征交叉、模型蒸馏、在线学习、AUC提升、Loss优化、实时特征、负采样、样本加权、延迟转化、增量训练、端上模型、AB实验。

考察点：技术深度、问题定义能力、量化思维

回答框架：STAR结构 → 情景（业务场景）→ 任务（指标差距）→ 行动（技术选型+方案）→ 结果（+相对提升）

简短示例回答：在信息流广告CTR模型训练中，发现新广告冷启动曝光少导致样本偏差。我引入对抗验证+样本加权，冷启动期AUC提升5%，线上CPM提升12%，模型收敛速度加快30%。

可能追问：你如何判断样本偏差？对抗验证的判别器结构？加权策略如何避免过拟合？

避坑：避免只讲“调了参数”或“用了新模型”，必须指出具体指标变化。

考察点：AB实验理解，线上线下一致性，鲁棒性

回答框架：离线指标验证 → 小流量AB → 累计指标置信度 → 长尾效果分析 → 回滚策略

简短示例回答：先确保离线AUC与GAUC均高于基线1%以上，且校准曲线平直。上小流量2%观察48h，计算置信区间。若主要指标正向且无严重负向，逐步放量至100%，同时保留回滚开关。

可能追问：如果离线提升但在线无效果，可能原因是什么？如何排除期待偏差？

避坑：不要只说“看AUC”，要提到流量分桶、统计显著性、多指标综合决策。

考察点：数据预处理能力，对负采样/加权方法的了解

回答框架：问题定义（正负比失衡程度）→ 方法选择（随机负采样、难负样本挖掘、Focal Loss）→ 实现细节（采样率、时间窗口）→ 有效性验证

简短示例回答：CTR正负比约1:100，采用动态负采样+时间衰减权重。对每条负样本按曝光时间赋予权重，近期负样本权重更高。离线GAUC提升1.8%，线上CVR提升6%。同时监控校准曲线防止偏差。

可能追问：是否考虑过其他方法如Weighted BCE？负采样后如何保证CTR值不偏移？

避坑：不要只说“用了focal loss”，要结合业务解释为什么选这个方案。