抖音推荐算法一面 日常实习

介绍自己怎么接触的前端，怎么学习的前端实习项目相关，背景痛点，技术难点执行流程题 var name = 'global'; function test(){ console.log(name);//undifined var name = 'local'; } test();  var name = "mary"; function hello() { console.log(name); } function hello1() { var name = "bob"; hello(); } function hello2() { var name = &...

继续来分享下之前的面经~欢迎友好讨论，信息共享1. 实习拷打2. 为什么需要预训练ESMM？3. 多目标双塔粗排模型的理解？4. 粗排样本怎么构造？5. 是否考虑直接使用精排部分embedding？6. L1 和 L2 正则化的区别？它们都能防止过拟合吗？7. 写出交叉熵的公式，并解释交叉熵的推导过程。8. 介绍dropout的作用，训练和测试阶段是否有区别，如何解决dropout预估偏高的问题？9. 如何判断模型是否过拟合？10. 如何缓解过拟合？11. 概率题：计算骰子扔到6的次数的期望。12. 解释AUC的定义，它解决了什么问题，优缺点是什么，并说出工业界如何计算AUC。13. 代码题：计算中缀表达式的结果，包括括号

我自己做了一个 AI 后端项目 Mini-Doubao 。这个项目不只是“调用大模型接口聊天”，而是围绕真实工程问题做了完整实现，包括：SSE 流式对话RAG 知识库检索Agent 工具调用闭环多轮会话上下文管理线程池隔离与异步收尾邮箱验证码注册/登录/找回密码项目背景基于火山引擎（豆包模型）API 构建。目标是做一个“可对话 + 可检索 + 可扩展工具能力”的系统，并解决 AI 场景中常见的工程问题：长连接、异步任务、上下文成本控制、服务稳定性等。核心能力1）RAG 异步摄入链路文档上传后通过 RocketMQ 异步处理完成“解析 -> 切片 -> Embedding ->...

我是从年前开始投简历的，肉眼可见的java从年前到年后疯狂萎缩了，都去转agent多好，