搜索算法工程师需要具备哪些知识，搜索算法书籍

很多学生向Kun夫妇询问是选择开发职业还是算法职业。算法岗位如何选择适合自己的研究方向和就业方向？前者我之前回答过，不过你可以看我主页的历史文章。马苏。关于后者，今天我整理了各种算法立场的介绍以及我个人的建议，供大家参考。

CV：CV 是计算机视觉。 CV 是算法领域颇受欢迎的先驱，五年前就获得了巨大的红利。我认为算法作业的实现场景是六大算法作业中最大的：搜索、广告、推荐、自然语言处理、计算机视觉和数据挖掘。比如我们都知道人脸识别是最大的应用场景，比如无人售货机支付、APP登录、支付宝、微信银行等实名认证、交通违法行为自动识别、犯罪追踪、门禁等。等一下。商汤科技几乎完全依赖面部识别产品来支撑整个公司。此外，CV还包括无人驾驶汽车、智能家居、监控、视频内容理解等场景。但应用场景多+第一批深度学习红利，其结果就是“量”。 7-8年前，人才供大于求，许多计算机从业者转向深度学习和人工智能。目前，“除非参加会议、参加比赛或进入名校，否则无法进入大工厂。”这个你不用担心，但是也不需要太担心，从我身边的例子来看，无论是顶级会议，比赛，还是名校，如果你基础水平扎实的话，你可以进入大工厂。具体是什么？你需要准备进入，稍后我会解释。但这正是因为CV 明显优于其他算法就业场景。现在算法岗位已经普遍接受，我推荐那些想读SSP并且已经学习了2年以上的同学学习CV。现在的“滚动”并不意味着未来的“滚动”。因为CV在几年前就已经推出了，而这几年大家都在抢着搜索和推广，但是CV并没有像预期那样推出。我身边有很多非技术类的同学，简历上都找到了大工厂的工作（P.S.他们有实习、名校、竞赛背景）。当然，如果你正在准备春招，手头上只有简历相关的项目（我想大多数学生都是这样），如果你的学校还有空缺，你可能会想赶紧去实习，这也不是不可能。我的简历上有一份工作。春季招聘比秋季招聘容易得多。简历上的一个项目加上一所好学校或好的竞争就足以进入一家大工厂。当然，如果你针对的是核心部门，要求会更高。 》总结：我认为简历的未来是光明的，对人才的需求是最大的，其核心基础是其大规模的应用场景和人才流的分布。因此，刚进入实验室的初学者想了解一下简历，我没有学习的勇气，我就冒险一下，竞争比我想象的要小，我没有论文，但我是名校毕业的，我有项目或者比赛，我面临着如果

NLP：NLP是上述六个算法岗位中最难的一个岗位。因为CV可以让你将视频一次一帧分割成图像，将图像一次分割成一个像素，而像素是有限的。非常适合计算分析。然而，人物却不同。世界上有数百种书写风格，更不用说每个字符都有数十亿种变化。更不用说像汉语这样博大精深的语言了。目前，NLP 唯一成功落地的场景是机器翻译（稍后会详细介绍搜索），而所谓的对话和问答应用还远远落后于幕后。简历实施。所以，说实话，“短期内我看不到NLP有什么前景，大部分只是一个实验室玩具或者发表论文的工具。”在公司里，NLP的应用场景并不多。但大多数都解析文本来为下游任务创建功能。从我的经验来看，像爱奇艺这样的视频应用中，NLP 的一部分是分析弹幕、评论等，创建用户画像特征，而腾讯广告中NLP 的一部分是，创建解析文本和推荐广告的功能。标签用户等；百度小度的NLP链接语音和搜索；京东的一些NLP用于推荐目的。所以纯粹的NLP 职位并不多，但做研究则是另一回事了。如果你是一名博士生，想加入大公司的实验室，NLP绝对是一片蓝海，有很多值得研究的方向。探索。但如果你在商界工作，学习NLP的机会其实并不多。 “总结：我认为NLP 面临着巨大的挑战。它有利于研究，因为它有很多未解决的问题，但它对商业不利，因为它几乎没有陷阱。”

数据挖掘：与NLP关系更密切的一个职位是数据挖掘，但很多公司并没有区分数据挖掘和NLP。在腾讯，知识图谱属于数据挖掘的方向。数据挖掘是最原始的算法阵地，其第一层含义就是从数据中挖掘信息的阵地。随着深度学习的兴起，数据挖掘逐渐被数据分析、NLP等专业所取代。因此，现实中没有必要关注这个立场，单独考虑。大多数数据挖掘和机器学习算法都有重叠，只有少数算法（例如Apriori）专门针对数据挖掘。同样，在公司中，数据挖掘与业务挂钩，不需要准备或提供数据挖掘。如果你的公司实际上有三个不同的职位：数据挖掘、机器学习和推荐算法，你可能要仔细考虑雇用京东。看看你负责的部门和产品。这才是真的，其他的都是假的。 “总结：你不必单独考虑这个立场。”

搜索：搜索算法是另一个与NLP 密切相关的算法，我认识的很多NLP 学生都专注于搜索算法。如今搜索算法的需求量很大，每个应用程序都有搜索需求，但它也非常复杂。请考虑一下。每个APP只有一两个搜索入口，只有一两个团队在做。你的竞争对手都是NLP 领域的知名人士，研究对话、问答和翻译的人。如果文件接二连三地出来，你能打败它吗？ 《总结：如果你有NLP背景，又担心找NLP坑难，那就搜索吧。》

推荐：推荐算法是这几年最容易找到工作的。因为推荐是和钱直接挂钩的，而且和公司盈利挂钩最紧密的职位数量也比较多。更重要的是，继CV之后，深度学习的好处也在推荐方面得到体现，不少商家基于深度学习推荐指标推出了产品，比如抖音、淘宝。不过目前推荐也存在一些问题，“第一是有政策，你可以自己学习，第二是大公司的推荐很多，所以你落后了，很难跟上。”第三，推荐阵地与互联网的发展直接相关。在增量时代，当然可以推荐的人越多越好，但现在推荐的立场已经发生了变化。 “有库存，互联网的发展逐渐成为瓶颈，推荐的日子也不好过。”虽然他对推荐的未来持悲观态度，但要找到工作还需要两年的时间，所以他正在寻找方向，不建议有此倾向的同学那时的互联网会是什么样子？很难说。对于今年春季录用的学生来说，请充分利用最后一波奖金。不管怎样，2年内它将是最好找工作的算法工作之一。另一件事是广告。另外，推荐标准低，基本上只要有大厂实习期和好学校的实习经历，就可以进入任何公司（非核心部门）。 “总结：如果你不担心找工作，就不要学推荐，因为推荐发展一般。如果你担心找工作，不要学推荐。可以。”

广告：每当人们提到推荐时，您都无法避免广告。这两个技术栈非常相似。很多同学可能会想，是提交推荐信好还是发广告好？当我思考这个问题时，一位资深同事告诉我，“广告的目标很简单，也比较纯粹，只是点击和转化，所以广告是应届生的首选，需要优化点击留存率的推荐。” ” 我曾经被告知，“与之前的版本不同，广告被删除了。”系列指标，例如停机概率、浏览深度和停留时间。确实，广告的模型更详细，不必考虑其他存在和缺失的内容，但广告的模型也更复杂，无事可做。如果你失去了理智并改变了模型。我不同意前辈的观点，但是互联网公司都是靠广告赚钱的，而且每个公司都有广告团队，而且这个团队的规模绝不小，所以广告的领域确实更广阔比建议。没有。也是非常核心的。如果能进入大公司的广告部，基本上可以说不用担心跳槽的问题。不过，有利有弊；靠近利润中心，给你带来很大的压力，如果你能提高指标，就可以逐步提高，但如果不能提高指标，那就很痛苦了。 ``总结：广告坑很多，是部门核心，优先级高于推荐，但也很累，压力也很大。'' 说了这么多，最后总结一下：``我从事CV业务开发和NLP研发；如果你还是不知道如何选择搜索广告和推广，建议你看看公司，选择职位。比如百度应该搜一下。”的当然，我会详细解释，这里就不举例了，大家也可以去查部门。