小米搜索与推荐算法工程师考察知识点汇总

全程问都是简历上的项目，和提到的模型算法体验感超级好算法题：一个数组，求和为target的所有子数组面完，邮箱马上就收到了二面通知

1.code最长公共子序列，不仅要求长度，还要求出其中任意一个序列是什么，秒了2.项目详细问项目，没有扣非常细的细节有了解过双塔模型的结构吗为什么不能user和item提前交叉，那这个缺点，有什么方式可以改进吗双塔模型线上服务是怎样的3.八股Transformer架构，encoder和decoder有什么区别吗NDCG指标知道吗有了解wide & deep和deepfm吗，这俩有什么区别MMOE了解吗，说一下架构以及改进历史ESMM这个多任务了解吗，和MMOE的区别是啥Adam优化器如何做的4.反问组里是做游戏社区的推荐和一个交友app的推荐，base北京，一共两轮技术，一轮领导，一轮hr面——————————————————————————————————————秒过，面完30分钟内收到二面通知

有同组的hxd吗，有没有大佬说下这个部门怎么样，卷不卷

#钉钉##暑期实习##面经##推荐算法##推荐算法面经#-形式：电话面试-时间：2024年4月9日 10：00，总计38分钟- 题外话：是否放实习，实习时间、有无offer- 自我介绍- 项目- 论文- 正负样本构建: 随机负采样、热度降采样、曝光未点击、点击上方- UserCF和itemCF的区别和原理- 多目标- 召回和排序的指标，怎么度量性能- 假如系统上线了，效果不好，怎么定位是召回还是排序的问题- 冷启动怎么解决- GBDT和XGBoost为什么就能拟合的比较好。    - boosting方法，前向传播+加法计算，第m棵树学习前m-1棵树的残差，逐渐增强对hard数据的关注。- 那么加深树的深度，是不是效果就更好    - 训练集表现好，过拟合。- 如何应对树模型的过拟合。    -shrinkage参数或者叫学习率    -正则化项    -树的剪枝策略，前剪枝和后剪枝    -子采样    -早停-boosting和bagging的区别：低/高偏差、高/低方差；加法模型/投票-激活函数的选择-激活函数不可导的点怎么处理- 无手撕，居然无手撕- 反问：1. 团队规模2. 业务方向3. 后续提升的建议：推荐方向，比较的贴近业务，你需要到业务中碰到和想到一些问题，细节上可以做深一些。每一个场景中有自己的特点和东西，别人场景有效而不work的，需要明确问题所在；你之后在业务中对这一块应该会更有体会。======================ohhhh，没有手撕，时间也比较短，感觉像KPI。答的也不是很好，大概率寄。找暑期实习前，没有实习经历，等于废废的了。======================更新：刚写完面经，已挂😂😂