抖音 推荐算法 9.10 二面

📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1．决策树与随机森林区别2.GBDT的原理、 XGBoost 与 LightGBM （项目涉及会问到）3. XGBoost 的其他变体（ CatBoost 等）4. Transformer （这个这个超级超级重要！!)5．手撕 Self - Attentin 、 Multi - Head Attention6.特征归一化（ LN / BN )7．交叉熵损失（字节常考，交节）8．优化器（ SGD / Adam / Adagrad )9.L1/L2正则化（ LightGBM 中也会用到）10. Dropout 原理11．模型初始参数为0的问题12.梯度消失与梯度爆炸及其解决方法13.Wide& Deep 模型（也可以准备一下，很多工业界还用这种类似的模型，有 wide 侧和 deep 侧，说不定面试官会感兴趣）14. DeepFM 模型15. DIN 模型、 DIEN 模型（特征处理）16．多目标学习（ MMOE 、 ESMM ，可以了解 PLE )17.DIN模型、 SIM 模型18.DCN模型和其他交叉网络（ LHUC 、 SENet 、 FiBiNet )19．冷启动策略（新闻推荐项目也会涉及冷启）20．重排规则（可以看王树森的课程简单了解）21.A/ B 测试的分桶方式是什么？22．推荐系统的短期消费指标？23．推荐系统的北极星指标（最关键指标）?24．推荐系统的转化流程是什么？25．矩阵补充模型原理和损失函数26．召回的正负样本选择（曝光未点击的能否作为负样本）📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1️⃣一面 1. 依旧是拷打项目（30分钟）。2. 你还知道哪些解决冷启动的方法？3. 讲一下MMR？4. 讲下BN和LN，主要区别是什么？5. 讲一下L1正则化和L2正则化6. 讲一下常见的序列模型，从RNN讲到Transformer，各有什么特点？7. word2vec负采样的原理。8. 获得item embedding有哪些常见方式？9. code：逆序对。10. 反问。2️⃣二面1. 依旧是拷打项目（30分钟）。2. 讲一下多任务？如何处理拉扯关系？3. 多任务的loss如何权衡？4. self-attention的参数量、计算复杂度。5. 讲AUC和GAUC？6. F1-score和AUC的区别，各侧重什么任务？7. 神经网络可以权重初始化为全零吗，为什么？8. 逻辑回归模型中权重可以初始化为全零吗，为什么？9. code：最长递增子序列。10. 反问。*****************************************

【更多内容移步小红书～】1. coding，梯度下降法解方程2. 挑一个觉得做的比较好的项目讲（讨论项目细节）3. 看项目里用了dpo算法，讲讲对dpo的理解4. llm效果比小模型好很多，为什么不在线上使用