虾皮二面，后端

- 实习项目解决了什么问题？

- 生成式项目的应用场景是什么样的，后续还要经过粗排吗？

- 生成式模型怎么评估离线效果和在线效果？

- 有没有看过生成式模型的冷启动性能？

- 有没有看过生成物品与用户历史点击序列的相关性？这个生成的物品有没有含义？

- 了解哪些召回的负采样策略？

- 召回的随机采样和batch内采样有什么优劣？能不能只用batch内采样，不用随机采样？

- 粗排和精排有没有SSB问题？

- 精排需要补充未曝光样本作为负样本吗？答：实践表明一般不需要处理，没有明显的效果提升。

- 对于一个MLP模型如何评估特征的重要性？是否了解gate方法，如senet和masknet网络？

- 在推荐场景下，id类特征是很重要的，对于一个新的id，有哪些embedding的初始化方法？

- 如果现在删掉id特征，可以补充哪些其他的特征？答：一般会补充一些文本/图片等多模态特征

- 线上线下auc不一致有哪些可能的原因，一般从哪些角度检查？

- 为什么会出现特征穿越？哪些特征容易穿越？

- 混排问题：首页推荐可能会包含自然卡和广告卡，希望广告卡能占到总卡位的一半。但是有些用户可能对广告卡很敏感，无论出多少张广告卡都不会点。所以应该怎么推荐，能够在保证推荐效果的前提下，保证广告卡数量也占到一半。

手撕

- 给定一个字符串s和一个有效单词列表，要求s分割后的所有子串都是有效的单词，输出所有的分割方案。

- 时间复杂度分析