发一下问题给大家参考，攒攒人品！1. 项目拷打2. 实习经历深挖（~20min）3. 手撕代码（~7min）：无重复字符的最长子串4. 八股(包含细节连环问)：·Transformer架构（Encoder/Decoder模块）·BatchNorm vs LayerNorm·灾难性遗忘·AUC指标

有面试过同岗的朋友欢迎评论区交流1.推荐的基础链路是什么？你对哪部分了解的多？2.如果让你在召回侧搭看板，你会怎么搭？关注哪些指标？3.介绍下什么是冷启动？4.用户冷启动和视频冷启动有什么区别？5.用户冷启动常见问题和解决方法？机器学习基础1.什么是梯度下降？2批量梯度下降 和 随机梯度下降的区别？3常见损失函数？4模型评估指标？AUC 含义？5.数据不均衡怎么办？6.了解大模型吗？7.了解rankemixer吗？介绍下代码1.分割等和子集2.如果允许负数，代码该如何修改

感觉强度不小，快hold不住了...项目拷打1. 项目的创新点2. 数据集特征，分别做了哪些处理3. 数据特征的分布情况，为什么数据适合模型？4. DCN-v2 和 DCN 的区别，分别详细讲讲算法知识1. 了解 MmoE 吗2. 多个目标分数怎么融合3. 回归损失和分类损失共存的情况下，出现的问题，比如说损失尺度不一样，模型偏向优化大目标，这该怎么解决4. 再比如，不同任务之间梯度方向冲突，训练震荡，这怎么解决？5. 说说你了解的粗排模型6. 什么是生成式推荐？它和传统的判别式推荐7. 生成式推荐的典型应用场景有哪些？8. 生成式推荐常用的模型架构有哪些？9. 生成式推荐的评价指标和传统推荐有什么不同？10. 如何将大语言模型（LLM）融入推荐系统？11. 生成式推荐落地时，面临的核心技术挑战有哪些？Code1. 数组中，两数之差的最小值，返回下标（非 hot 100的简单题）2. 三数之和

给我面的汗流浃背真是没招了...1.拷打简历2.讲一下最近读的关于生成式推荐的论文3.transformer的encoder和decoder架构具体讲一下4.full attention 适合推荐场景吗？5.embedding是如何生成的？6.了解常见的多目标融合方式有哪些？背后的数学原理了解吗？7.代码lc加油站手撕一个两层的神经网络