岗位能力画像与简历优化模板
本章帮你拆解推荐算法模型训练工程师的核心能力要求，并给出简历结构化模板、关键词清单和成果量化句式。理解这些要素，才能在面试中精准展示岗位匹配度。
岗位能力画像详解
| 能力维度 | 核心要求 | 权重 |
|---|
| 机器学习基础 | LR、GBDT、FM/DCN、Transformer及损失函数 | ⭐⭐⭐⭐⭐ |
| 深度学习框架 | TensorFlow / PyTorch，熟悉分布式训练 | ⭐⭐⭐⭐⭐ |
| 推荐算法理解 | 召回、粗排、精排、重排，Wide&Deep、DIN等 | ⭐⭐⭐⭐ |
| 大规模数据处理 | Spark、TFRecord、HDFS，样本与特征工程 | ⭐⭐⭐⭐ |
| 工程优化能力 | GPU显存优化、模型加速、A/B实验平台 | ⭐⭐⭐ |
简历结构模板
- 个人信息：姓名、手机、邮箱、意向岗位
- 技术栈：分类列出（框架/语言/工具/领域算法）
- 工作经历：每段用STAR描述，突出量化成果
- 项目经验：2-3个核心推荐项目，按“背景-难点-方案-效果”组织
- 教育背景：学校、专业、GPA（若突出）
- 加分项：竞赛、、开源贡献
关键词清单（简历/面试常用）
| 召回 | 协同过滤、向量检索、图召回、多路融合 |
| 粗排 | 双塔、蒸馏、延迟交互 |
| 精排 | Wide&Deep、DeepFM、DIN、DCN V2 |
| 训练优化 | 混合精度、梯度检查点、多机多卡、PS/AllReduce |
| 特征工程 | Embedding、交叉特征、特征重要性、在线特征 |
| 评估 | 离线AUC/GAUC、在线CTR/ECPM、Long-term value |
成果量化句式（简历使用）
- “优化排序模型AUC提升1.5%，线上CTR相对提升3.2%”
- “搭建分布式训练框架，模型训练时间从8h缩短至1.5h”
- “设计新召回通道，召回数量增加20%，GMV提升1.1%”
- “内存优化后单机承载样本量提升3倍，GPU利用率从55%升至89%”
面试问答卡片
Q1: 请描述你如何将推荐模型从单机训练迁移到分布式训练？
| 面试官考察点 | 分布式经验、框架理解、工程落地能力 |
|---|
| 回答框架 | 问题评估 → 选型（PS/AllReduce） → 数据切分 → 模型拆分 → 调优 |
|---|
| 简短示例回答 | “先在单机跑通基线，然后使用TensorFlow的MirroredStrategy做单机多卡；后续扩展为MultiWorkerMirroredStrategy，配置TF_CONFIG，将数据集切为shards。遇到梯度同步瓶颈，将allreduce改为混合精度后吞吐提升40%。” (89字) |
|---|
| 可能追问 | 怎么调试梯度爆炸？如何设计动态batch？ |
|---|
| 避坑提醒 | 不要只讲概念，要说出你遇到过什么具体问题及解决过程。 |
|---|
Q2: 对于召回模型，如何平衡离线指标和线上效果？
| 面试官考察点 | 对推荐系统整体理解、指标关联性、A/B实验思维 |
|---|
| 回答框架 | 离线AUC局限性 → 引入GAUC/长尾指标 → 做全量/小流量实验 → 长期价值评估 |
|---|
| 简短示例回答 | “离线AUC提升不总对应线上CTR提升，常因样本分布偏移。我们加上了GAUC和recall@k，同时在小流量观察用户停留时长。有一次离线AUC高但线上ECPM下降，原因是过度拟合热门视频，于是加入退火策略。” (96字) |
|---|
| 可能追问 | 如何设计退火策略？样本去偏你怎么做？ |
|---|
| 避坑提醒 | 不要只说“以线上为准”，要给出具体分析方法和调整案例。 |
|---|
Q3: 特征embedding维度如何选择？过大或过小会有什么问题？
| 面试官考察点 | 特征工程功底、参数量与性能权衡、经验直觉 |
|---|
| 回答框架 | 经验公式（特征cardinality的4次方根） → 实际实验 → 过大过小影响 |
|---|
| 简短示例回答 | “通常取 k = ceil(8 * avg_freq^0.25)。如果embedding维度过大，参数量爆炸且容易过拟合；过小则表达能力不足。例如一个1000万id的特征，我选64维后AUC够用，再增加到128维收益小于0.1%。最后压缩到48维节约了30%显存。” (100字) |
|---|
| 可能追问 | 如何处理hash冲突？多值特征怎么pooling？ |
|---|
| 避坑提醒 | 不要给固定公式，要体现根据数据分布做实验调整的过程。 |
|---|