明天就要面试了

发一下问题给大家参考，攒攒人品！有面试过同岗的朋友欢迎评论区交流1. 介绍一下Transformer的结构，为什么Self-Attention比RNN/CNN更适合推荐系统？2. BatchNorm和LayerNorm的区别？推荐模型里为什么常用LayerNorm？3. 梯度消失和梯度爆炸的原因？如何解决？（从优化器、初始化、网络结构三个角度回答）4. 多任务学习（MTL）的常见结构？MMoE和PLE的区别？5. 多任务学习中，如果不同任务的loss量纲差异很大，如何调整权重？（GradNorm、Uncertainty Weight等方法）6. 推荐系统的经典召回策略有哪些？（协同过滤、双塔模型、FM等）7. 双塔模型的负采样策略有哪些？为什么In-batch Negative Sampling效果不错？8. 如何解决推荐系统的冷启动问题？（基于内容、迁移学习、Meta-Learning等）9. 如何评估推荐系统的多样性？（Coverage、ILS、DPP等）10. 线上A/B测试时，CTR提升但停留时长下降，可能是什么原因？如何排查？11. 数组中的第K个最大元素（快排变种）

积攒人品3.13一面 45min1. 自我介绍2. 产品实习做了什么3. 在实习中扮演什么样的角色4. 实习深挖5. 项目深挖6. 抖音生态中色情导流的场景，有什么思路进行识别和打压7. 风控策略的准确率无法 100%，误拦正常用户时，如何评估并平衡用户体验8. 抖音生活服务场景中，色情导流还有哪些表现形式9. 抖音发放优惠券的场景下，有哪些风险10. 如何通过数据识别优惠券场景中的黄牛账号11. 如何识别抖音生活服务中商家与用户联合套利的虚假核销行为12. 如何利用 LBS信息，制定黄牛 / 商家套利的风控策略13. 职业发展规划14. SQL 实操题15. 反问

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.介绍下self-attention，计算其时间复杂度。2.为什么要用multi-head attention？3.PPO的clip机制？在线强化学习和离线强化学习有什么区别？RLHF是哪一种？4.为什么要用reference model? 为了解决什么问题？5.如何让多个agent协同工作的？举个具体的协同机制例子。6.如果一个agent误判导致策略冲突，如何处理？7.有没有用到类似AutoGen或LangChain的框架？为什么选这个框架？8.你是怎么设计agent的记忆系统？9.长期记忆如何存储？如果历史记录量非常大，怎么优化查询效率？10.你怎么处理响应速度与推理精度之间的tradeoff？是先召回再精排，还是单次生成？

相比一面偏基础与语言细节，微信支付的二面明显更偏向系统设计 + 工程能力 + 真实场景问题。整体感受可以总结为一句话：不再考“你会什么”，而是考“你在复杂系统里能不能做决策”。问题往往有几个特点：从项目出发，一路深挖强调高并发、高可用、数据一致性关注线上问题处理经验非常看重“设计能力”和“取舍意识”很多问题没有标准答案，但每个问题都可以被不断追问：为什么这么设计？有没有更优解？代价是什么？下面是整理后的核心问题清单。项目与工程能力介绍你做过的最有挑战性的项目，核心难点是什么？项目中最大的技术瓶颈在哪里？你是如何定位的？如果让你重新设计这个项目，你会如何优化架构？项目中有没有出现过线上事故？你是...