怎么学习推荐算法？

前两个流程都被结束了，然后被腾讯视频捞了，之前的面经马上到达字数限制了，所以新开一文记录。一面时间：4月17日 16:00 ~ 17:00上来先是做了一下自我介绍然后开始问实习的项目，让详细的讲，期间就夹杂着八股。使用的什么loss函数，除了交叉熵损失函数还了解哪些损失函数。项目过程中有没有遇到过过拟合的问题，什么原因造成的，什么办法解决。为什么L1和L2正则化能够缓解过拟合的问题。项目过程中模型设计方面遇到过什么问题，怎么解决的。什么时候会用softmax，和sigmoid的区别。了解什么召回算法。双塔降维的流程是什么？现在tf比较熟悉了吗。（因为提到上一段实习中最开始不习惯使用tf而是习惯使用pytorch）因为上段实习中讲到了特征降维，面试官问了一个场景题，比如当前情况下我没有任何用户的过往历史数据来进行学习，但我需要进行特征降维，我应该怎么做？后来面试官讲到他们目前遇到这个问题，然后想看我有什么想法，最后讲他们使用的VAE，问我有没有了解过VAE。结束之后做了一个算法题：1120. 子树的最大平均值然后就是反问时间。希望能过吧，三战腾讯了----------4月26日更新二面时间：4月25日 15:00 ～ 16:10主要就是问简历上的项目，然后从项目开始扣八股。介绍一下transformer，位置编码为什么要用三角函数。了解过哪些推荐算法，说了DIN就让简单介绍一下。思考一下如果是短视频推荐当中的序列，应该怎么编码。了解SGD，adam等优化器吗？adam和adagrad各自的优缺点以及适用场景。如果要从头开始做一个预测用户视频观看时长的模型，应该有哪些步骤？如果同时要优化用户的点击率和用户的观看时长，应该怎么做？多任务模型了解过哪些？权重共享是共享哪些部分？实习中用到了降维，因此问了一下了解过其他降维方法如pca没有？没有做算法题，如果过下一面是总监面，不知道结果如何，祈愿----------5月9日更新三面时间：5月8日 14:00 ～ 14:50三面是总监面，自我介绍完了之后针对之前做过的项目深挖了一下细节，然后问如果后续针对项目的算法进行优化会从哪些方面进行考虑，感觉主要看你的思维和解决问题能力。三面结束后第二天约了hr面，在10号

话不多说直接上干货~~！一、值不值得去在繁忙紧凑的求职节奏中，同时段（日常/暑期实习等）机会只能择其一，选A基本等于放弃B，因此某个机会是否值得投入精力是行动前必要考虑的事。我判断值得去的原因有以下几点：①与日常实习/暑期实习都不冲突，是自己原有求职计划之外的“平行时空”，完全多了一个机会②发offer时间在7月份，如果拿到就会成为自己原定求职计划的一道分水岭，秋招时锁定该分水岭之上的几大目标即可。没拿到也相当于经历一场正规且有水平的求职训练，怎么都不亏。③上述是精力成本的考虑，额外还有就是经济成本上也是0元啦，包机票住宿免费体验深圳、有奖金、邮轮嗨皮......等等了（毕竟有些面试都需要自费...

求大佬解答一下要如何加入开源社区，当时是如何上手的😣

1.问我职业规划2.问我科研的内容3.问我实习的测试过程4.写代码，面试官失踪了20分钟+5.针对代码设计测试用例一共30多分钟反问：部门和工作内容，我一听这个部门，了解他的岗位JD，所以感觉凉凉了哈哈（我心想，原来是xxx的测试开发啊，那可能有点不匹配？）我又追问是否匹配的情况re：跟HR再对一下（此时我又开始脑补：这就代表要跟HR说，你怎么把这个候选人给放进面试来了？）工作节奏，加班情况。 也就正常水平