2021年，NLP背景的应届生，搜索/推荐/广告哪个更适合入坑？-技术圈

提问：

最近在关注招聘信息，发现NLP岗位很少并且范围很窄。

找工作可能还是选搜广推，搜索最最相关，感觉和jd要求的技术栈也比较匹配，竞争力相对强，但是感觉和nlp绑定较大，担心以后发展受限。

推荐和广告很热岗位也很多，但是感觉经历不太match，jd提及的推荐广告基础等也不太熟悉，传统ml也不太在行，很担心竞争力不够。

所以是all in 竞争力强的搜索，还是推荐广告全都投？

bytecoder回答：

作为一名NLP方向搬砖工，这三个方向都搞过，按照自己的理解，分别来说一下NLP在这三个大方向分别能做啥，然后题主按照兴趣可以对号入座：

搜索：query理解（纠错、改写、分词、重要性、紧密度）、doc理解（赋权、文本摘要、关键词抽取）、文本相关性（语义匹配模型）、倒流（搜索词生成）、知识图谱、精准问答、摘要飘红（阅读理解）。

广告：ocpx时代，广告主能操作的就只有创意和定向了，定向（行为兴趣定向，主要是通过理解内容来做可解释强的用户定向【讲内容标签通过牛顿冷却定理等打到用户身上】，据传大的广告平台，定向消耗一天能占1个亿），创意（标题生成、内容理解、程序化创意），内容审核（低俗广告不准投放），电销商机识别。

推荐：内容生态规整，通过NLP技术帮助对内容生态做规整（黄反识别、低俗识别、文本消重、标题党识别等），针对内容生态做治理，帮助建立更好的内容壁垒。某国内一线推荐大厂自诩能够机器写文章，可见文本生成在整个推荐领域也是有很强的应用背景的。

如果从NLP对于整个系统的重要程度来看，NLP在搜索中是雪中送炭，而NLP针对广告和推荐叫做锦上添花。所以如果有NLP背景，从事搜索系统，那么就相当于是众望所归的一个选择。

我们再来看看非推广搜的场景下，NLP还能做啥：

智能客服（阿里小蜜、京小智、店小蜜、晓多等）是NLP领域非常重要的一个应用场景，涵盖意图理解、FAQ、slot filling、多轮对话、KBQA、阅读理解（抽取QA对）、帮助人提效，缓解客服压力。

机器翻译，记得15年之前，机器翻译还是偏SMT一些，采用的trick多于模型，seq2seq的出现，正式将机器翻译从可用变成了好用，帮助我们能够更好的进行语言交流。

另外懂NLP模型的同学，其实也可以去做排序工作，只不过需要加一些业务的理解（广告业务、推荐业务、搜索业务），现在的模型基本上百花齐放，但是工业界真正经典的也就是几个而已（LR、GBDT、FM、FFM、Wide & Deep），关键是需要放下模型党的清高，能够扎深业务，做一个解决问题的人。

另外再补充一个彩蛋：推荐系统中借鉴NLP的例子还有很多，比如当把召回建模成一个类别有几十万、上百万类的多分类问题时，softmax每次计算分母的代价太高，因此YoutubeNet借鉴了Language Model中的sampled softmax来近似求解。阿里的Deep Interest Network开启了在推荐系统中引入Attention的先河，而Attention最早是在Neural Machine Translation中被发明的。所以，当你在推荐搜索领域遇到某个问题，NLP或许是一个非常好的灵感来源。

文章转载自知乎问答，著作权归属原作者，侵删