乱序1、有了解fm吗。不太熟悉，核心思想是将wij分解为vil和vlj。2、transformer的注意力机制。x复制3份，交由三个权重矩阵得到qkv，softmax（qk^T）/(根号dk)*v。之后就是一些具体在干嘛的，我说的用这个做的机器翻译，当时是纯手打完transformer成所以比较熟悉，记忆比较深刻，但是面试官好像没继续深入问下去。3、说一下mmoe。这是一个多任务的双塔模型，用于衡量点击率购买率之类的模型。主要有门控、专家、塔构成。门控是用于控制专家网络的输出，n个专家网络是n组神经网络构成，经过门控后丢到塔里面得到最后的结果。4、说一下图神经网络。把user、item当成一个节点如果存在购买行为，则存在边，用邻接矩阵存储交互信息，之后进行邻居消息的传播聚合，可以简单理解为两个大矩阵的矩阵乘法。4.2、复杂度如何计算。这个得结合具体的例子，主要相关的是节点数量、卷积层数、消息传播公式、向量维度。5、大图如何减少计算量。一个方向是分裂成子图，具体做法不知道。（感觉学校里面很难碰到这么大的数据，多卡计算也感觉很少用到）6、w2c在推荐上的应用。item2vec，有词袋模型和skip-gram模型，词袋是指通过上下文预测当前，skip是指通过当前预测上下文。在向量化技术中融入上下文感知，大致思路是从onehot到hidden到最后的softmax后的最大概率为推荐的word。（one-hot embeding、w2c embeding、graph embeding）7、k8s，说了下当时用虚拟机搭建k8s部署kubeflow的过程。（貌似对kubeflow和tvm这些不感兴趣）其他的印象不是很深刻，20分钟左右。结果：挂掉。hr不会主动通知寄了。感受，和网上其他推荐算法面经问的东西不太一样。基本上是照着简历问的。