推荐与广告算法产品经理

推荐与广告算法产品经理 岗位职责 负责公司视频、小说、漫画等内容场景的推荐系统产品建设，以及基于用户画像、兴趣标签和行为特征的广告推荐能力建设，推动用户行为数据、内容特征、广告数据与算法能力形成完整闭环。 1. 内容推荐系统 • 负责视频、小说、漫画等内容推荐系统的产品规划、需求设计及持续迭代。 • 负责推荐场景梳理与产品设计，包括首页推荐流、猜你喜欢、相关推荐、内容详情页推荐、完播/完读后推荐等场景。 • 参与推荐系统召回、粗排、精排、重排等核心链路的产品设计，与算法团队共同定义各阶段目标及策略。 • 根据不同内容形态设计推荐目标，综合考虑 CTR、播放/阅读深度、完播/完读率、互动、留存、付费及长期用户价值。 • 负责冷启动、探索与利用、热门内容、新内容扶持、兴趣衰减、多样性、去重、频控等推荐策略的产品设计。 • 推动推荐策略配置化、实验化，建设策略管理、实验管理、效果监控及异常预警能力。 • 建立推荐效果评估体系，通过 A/B Test、用户分层、漏斗分析等方式持续评估算法策略对业务指标的实际贡献。 2. 用户画像与标签应用 • 与 DMP / 数据团队共同建设推荐所需的用户特征体系，包括用户兴趣、内容偏好、活跃度、生命周期、消费能力、广告行为等特征。 • 明确用户标签、实时行为特征、统计特征及算法 Embedding 等不同数据能力的使用边界。 • 设计用户兴趣随行为变化的更新与衰减机制，支持短期兴趣与长期兴趣结合。 • 推动用户、内容、场景等特征在推荐系统中的标准化接入与复用。 • 参与用户冷启动、匿名用户、跨端用户识别等场景的推荐方案设计。 3. 广告推荐与商业化 • 负责基于用户画像、兴趣标签、行为特征及广告属性的广告匹配与推荐能力建设。 • 建设广告候选集、定向条件、用户与广告匹配、频次控制、广告过滤等基础能力。 • 与广告平台、DMP及算法团队协作，推动用户特征在广告推荐和商业化场景中的合理使用。 • 参与广告 CTR、CVR、eCPM 等预估与排序策略的产品设计，并持续评估广告收益与用户体验之间的平衡。 • 支持广告推荐效果分析，包括曝光、点击、CTR、转化、收入、eCPM、用户负反馈等指标。 • 设计广告实验与流量分层机制，评估不同广告策略对广告收入、内容消费、留存及用户长期价值的影响。 • 支持广告系统后续从规则匹配逐步向个性化推荐、智能排序及收益优化演进。 4. 数据与实验体系 • 建立推荐系统完整的数据指标体系，定义曝光、点击、播放、阅读、完播/完读、互动、留存、付费、广告转化等核心指标口径。 • 与数据团队共同完善推荐与广告相关埋点、日志、特征及数据回流链路。 • 建设推荐策略效果看板、模型版本看板、实验看板及异常监控体系。 • 推动形成“用户行为 → 数据采集 → 用户/内容特征 → 模型训练 → 推荐结果 → 用户反馈 → 模型迭代”的完整闭环。 • 能够识别 CTR 等短期指标与留存、LTV 等长期指标之间的冲突，合理设计推荐系统的评估指标与护栏指标。 任职要求 • 5 年以上互联网产品经验，3 年以上推荐、搜索、广告算法、增长算法或相关数据产品经验。 • 有视频、小说、漫画、资讯、短剧、游戏、电商等大规模内容或推荐场景经验优先。 • 真正参与过推荐系统建设，理解召回、粗排、精排、重排的基本工作机制及各阶段解决的问题。 • 理解协同过滤、Embedding、向量召回、CTR/CVR 预估、Learning to Rank 等常见推荐算法的基本原理，不要求承担算法研发，但能够与算法工程师进行深入需求和方案沟通。 • 熟悉推荐系统常见指标，包括 CTR、播放率、完播率、阅读深度、互动率、留存、付费率等，能够根据不同业务场景设计合理的目标指标。 • 熟悉 A/B Test、实验分流、实验组/对照组、统计显著性及实验效果评估。 • 具备较强的数据分析能力，能够通过数据发现推荐策略、内容供给或用户分层中的问题。 • 理解用户画像、标签、实时特征、行为序列及内容特征在推荐系统中的作用。 • 有广告推荐、广告排序、DMP、DSP、SSP、广告定向或程序化广告相关经验者优先。 • 有大 DAU、高并发推荐系统经验者优先。 核心能力要求 我们重点关注候选人是否具备以下能力： 1 算法产品理解能力 能够理解推荐系统内部链路，知道召回、排序、策略和模型分别解决什么问题，而非只负责推荐页面和运营规则。 2 数据与指标能力 能够独立定义推荐效果指标，理解 CTR、完播/完读、留存、收入、LTV 等指标之间的关系，并能够设计实验验证方案。 3 用户理解能力 能够把用户行为转化为兴趣、偏好、生命周期等可供推荐系统使用的特征，并理解实时兴趣与长期兴趣的差异。 4 系统产品能力 能够设计推荐策略管理、实验平台、效果监控、模型版本管理等后台能力，将算法能力产品化、平台化。 5 商业化理解能力 能够理解内容推荐与广告推荐目标的差异，兼顾用户体验、内容消费和广告收入，避免单纯追求 CTR 或短期 eCPM。 6 跨团队推进能力 能够独立完成需求分析、PRD、原型、指标定义、技术与算法评审、研发推进、上线验收及效果复盘，与算法、数据、客户端、服务端、运营及广告团队协同推进项目。 加分项 • 有千万级 DAU 产品推荐系统经验。 • 有短视频、长视频、小说、漫画、短剧等内容推荐经验。 • 有广告推荐、广告排序或商业化算法产品经验。 • 有 DMP / CDP / 用户画像平台建设经验。 • 有搜索排序、向量检索、RAG 或 Embedding 相关产品经验。 • 有推荐实验平台、特征平台、策略平台或模型管理平台建设经验。 • 具备 SQL、Python 或数据分析能力，能够独立完成基础数据验证与问题定位。 该岗位需要解决的核心问题 • 如何判断一个用户当前最可能消费什么内容？ • 如何同时利用长期兴趣和最近几分钟、几小时产生的短期兴趣？ • 视频、小说、漫画三种内容是否应该共用一套用户兴趣体系，哪些能力可以复用，哪些需要独立建模？ • 如何解决新用户、新内容和低曝光内容的冷启动问题？ • 如何避免推荐系统为了提高 CTR 持续推荐标题党或低质量内容？ • 如何衡量一次推荐策略升级究竟提高了短期点击，还是提高了长期留存与用户价值？ • 如何在内容推荐流中合理插入广告，同时控制用户疲劳和负反馈？ • 如何利用用户兴趣、消费能力、广告行为等特征提高广告匹配效率？ • 如何判断哪些用户应该减少广告，哪些用户可以提高商业化强度？ • 如何建立内容推荐、广告推荐、DMP、数据中心之间清晰且可长期演进的系统边界？