字节推荐算法一面分享-实习

发一下问题给大家参考，攒攒人品！1. 实习拷打2. 项目深挖3.推荐业务目前的优化目标是什么？4.多场景建模具体指什么？不同场景下用户行为有什么差异？5.这些场景是分开建模还是统一建模？特征或网络层面有没有做场景区分？6.如果特征落盘时刻上下文发生变化，是否会造成线上线下不一致？7.能描述一下从用户请求、模型训练到在线serving的完整流程吗？样本落盘机制是怎样的？8.离在线链路是分离的还是统一的？流式样本和离线样本分别如何使用？9.介绍一下RankMixer的结构原理。它与MLP、Transformer或DIN相比，核心区别和优势是什么？10.如果拓展token数量，具体如何实现？为什么token机制能实现特征的自动深度交叉？11.场景特征是直接拼接embedding，还是有独立的场景block？独立使用还是全局共享？12.如何判定模型优化效果是正向还是负向？评估方式是什么？13.所有场景样本是一起训练还是分开训练？指标是看全局还是分场景？14.超长序列建模的长度是多少？具体实现方案是什么？15.多尺度注意力指的是什么？与全序列原生attention相比有何区别？16.不同时间段的序列输出如何融合？如何平衡每个时期兴趣的权重？有没有自适应机制？

ps：如果这篇帖子对于还在找工作和找实习的你有所帮助，可以关注我，给本贴点赞、评论、收藏并订阅专栏；同时不要吝啬您的花花Caffeine是Java生态中性能顶尖的本地缓存库，对标Google Guava Cache并实现全面超越，主打高吞吐量、低延迟、超高缓存命中率，核心优势源于创新的淘汰算法、精细化并发设计和高效内存管控。它完美解决了传统LRU缓存污染、LFU内存开销大、新热点数据难留存的痛点，成为分布式系统、本地缓存场景的首选方案。一、底层存储架构：高效并发+低开销统计Caffeine没有重新造轮子，而是基于Java原生并发容器优化，搭配专用数据结构实现读写分离、无锁争抢，核心存储组件分为...

朋友的舍友大二，直接被字节捞走了，说是在github上看到了这位舍友的账号，直接联系本人了，我也一直在找实习，但是很少人要我😅😅😅

自我介绍 一些优势到上一任公司实习的契机、与竞品的区别有挑战性的部分（介绍自己的工作的部分）对图片编辑器（自己的工作）的调研介绍项目（公式编辑器）契机、架构设计过程项目核心数据结构（公式树节点设计）、介绍手搓的渲染器设计、基线概念介绍第二个项目、技术栈选型对后端的理解（研究过 express（其实是突击））未来规划（前端转全栈）手撕：数组重复元素整理，将其价格求和给设计稿，设计橱窗展示控件（主要关心数据流转，要求用户点击商品参数展示对应图片、缺库存的相关商品不能点击）反问 公司主要业务 给指导（无 AI 手写代码的能力、前期设计的能力）基本没问八股，就是围绕项目了解了一下，然后撕两道和公司业务...