首页
题库
公司真题
专项练习
面试题库
在线编程
面试
面试经验
AI 模拟面试
简历
求职
课程
基础学习课
实战项目课
求职辅导课
专栏&文章
竞赛
搜索
我要招人
发布职位
发布职位、邀约牛人
更多企业解决方案
在线笔面试、雇主品牌宣传
登录
/
注册
郑秋冬201811182228688
门头沟学院 计算机类
关注
已关注
取消关注
@林小白zii:
深度学习面经-推荐算法系列
一、简介 搜广推算法在各大互联网公司中承担着重要的流量转化的作用,其中推荐算法作为一个重要分支,它旨在为用户提供个性化的推荐内容,以提高用户体验和满足他们的需求。推荐算法的应用范围非常广泛,包括电子商务、社交媒体、音乐和视频流媒体、新闻推荐等各个领域。以下是一些可能出现在推荐算法系列面试中的主题和问题,面经请关注专栏:小白机器学习面试指南。持续更新中。 二、面经及参考回答 1、你了解的常见的召回策略,算法有哪些? 参考回答:召回算法用于从大规模数据集中快速筛选出一组候选项,以供后续的排序和推荐处理。常见的召回有下面几种: 基于内容的召回:基于物品的内容召回:使用物品的属性和特征,如文本、标签或图像,来计算物品之间的相似度,以推荐相似的物品。 基于用户的内容召回:分析用户的历史行为和个人资料,以确定他们对内容的兴趣,并为其推荐相关内容。 协同过滤召回:基于用户的协同过滤:根据用户与其他用户的相似性,为目标用户推荐与相似用户喜欢的物品。基于物品的协同过滤:根据物品之间的相似性,为用户推荐与他们以前喜欢的物品相似的物品。 矩阵分解:矩阵分解方法,如奇异值分解(SVD)和交替最小二乘(ALS),用于将用户-物品交互矩阵分解为潜在因子矩阵,以捕捉用户和物品之间的潜在关系。这些方法通常用于协同过滤。 基于流行度的召回:流行度召回方法会根据物品的全局流行度为用户推荐物品。这意味着用户将看到最热门的物品,无论他们的兴趣如何。 基于规则的召回:基于规则的召回使用预定义的规则来选择候选物品。这些规则可以是手动制定的,也可以通过机器学习方法自动学习得出。在业务迭代初期,一般会使用这种召回方法; 深度学习召回:使用深度学习模型(如神经网络)进行召回,这些模型可以从用户历史数据中学习用户和物品之间的复杂关系,以生成召回结果。 多通道召回:使用多个不同的召回算法,并将它们的结果合并或加权,以提高推荐的多样性和准确性。 2、协同过滤存在什么问题? 参考回答:泛化能力弱。即协同过滤无法将两个物品相似的信息推广到其他物品的相似性上。导致的问题是热门物品具有很强的头部效应,容易跟大量物品产生相似,而尾部物品由于特征向量稀疏,导致很少被推荐。协同过滤的特点就是完全没有利用到物品本身或者是用户自身的属性,仅仅利用了用户与物品的交互信息就可以实现推荐,比较简单高效,但这也是它的一个短板所在,由于无法有效的引入用户年龄,性别,商品描述,商品分类,当前时间,地点等一系列用户特征、物品特征和上下文特征,这就造成了有效信息的遗漏,不能充分利用其它特征数据。 3、协同过滤有哪些可以改进的? 参考回答:加一些参数权重对热门物品,以及活跃用户进行一些惩罚。或者利用矩阵分解,使用更稠密的隐向量表示用户和物品,挖掘用户和物品的隐含兴趣和隐含特征。 4、什么时候使用UserCF,什么时候使用ItemCF?为什么? 参考回答:UserCF:由于是基于用户相似度进行推荐,所以具备更强的社交特性,这样的特点非常适于用户少,物品多,时效性较强的场合,比如新闻推荐场景,因为新闻本身兴趣点分散,相比用户对不同新闻的兴趣偏好,新闻的及时性,热点性往往更加重要,所以正好适用于发现热点,跟踪热点的趋势。对于用户较少,要求时效性较强的场合,就可以考虑UserCF。ItemCF:这个更适用于兴趣变化较为稳定的应用,更接近于个性化的推荐,适合用户兴趣固定持久,物品更新速度不是太快的场合,比如推荐艺术品,音乐,电影。 5、什么是faiss,它的原理是什么? 参考回答:faiss是FaceBook的AI团队开源的一套用于做稠密向量聚类和相似性搜索的软件库,它包含在任意大小向量上的搜索算法,也支持评估和参数调节。Faiss包含多种相似度检索方法,通过L2(欧氏距离)和点积确定,同时也支持余弦相似度来计算向量距离。它主要是通过向量压缩进行计算,而不是通过使用原型向量进行比较,这种方法虽然降低精度,但是可以极大缩小存储空间以及检索速度,可以达到近似检索。faiss本质是: 使用PCA、K-means、PQ等算法对数据进行操作,对数据进行分群,每一个群都有一个Index,根据要查找数据的与每个Index距离大小,定位要查找的那个群,也就是缩小了数据查找范围,进而加速。 6、还了解其他向量检索的方法吗? 参考回答:其他向量检索的方式 Kd - tree;kd - tree的构建方式是根据我们输入的多维embedding。每次分裂的时候,会选择方差最大的一列,然后选择这一列的中位数去划分结点,直到每一个结点都有一个向量,这样kd-tree就构建完成了。kdtree的查找:向量的查找也是每次从根节点出发,开始对比,比如这个结点是按照第三列某一个数划分的,就比较这个向量这个位置的数和这个结点的数的大小,从而判定是往左走还是往右走,最终会落到一个结点上,但是这样找不一定是最近的,如果还有更近的,就会回溯到上一个分裂点,看另一个结点的距离。 7、双塔的user侧特征和item侧的特征可以做交叉吗? 参考回答:可以的, 最简单的方式是取用户特征和物品特征的点积,这可以被看作是一种线性交叉方式。这个点积可以被加入到模型的最后输出或中间层。特征交叉可以更好地捕捉用户和物品之间的关系,从而提高推荐系统的效果。如何进行交叉需要根据具体问题和数据来设计和优化。 8、相似度的度量方法有哪些? 参考回答:Jaccard相关系数: 两个用户u和v所交互商品的交集的数量占这两个用户交互商品并集的数量的比例,称为两个集合的杰卡德相似系数,余弦相似度,在此基础上引入皮尔逊相关系数。余弦相似度没有考虑到不同用户平均打分偏差的问题,最直观的理解就是某一个用户的品味很高,对任何商品打分都很低,这样计算出来的余弦相似度就有差异,引入偏置a,b分别为a的平均打分情况,b的平均打分情况,每一个参数都减去这个平均值,然后再来计算。 9、矩阵分解的原理,具体是怎么分解的? 参考回答:矩阵分解算法将 m×n 维的共享矩阵 R 分解成 m×k 维的用户矩阵 U 和 k×n 维的物品矩阵 V 相乘的形式。其中m是用户数量,n是物品数量,k是隐向量维度,也就是隐含特征个数, k的大小决定了隐向量表达能力的强弱,k越大,表达信息就越强,理解起来就是把用户的兴趣和物品的分类划分的越具体。 矩阵分解的求解: 常用的做法就是特征值分解(EVD),奇异值分解(SVD)。但是特征值分解它要求分解的矩阵是方阵,在推荐系统中,显然用户-物品矩阵不满足这个要求,而传统的SVD分解,会要求原始矩阵是稠密的,而我们这里的这种矩阵一般情况下是非常稀疏的,如果想用奇异值分解,就必须对缺失的元素进行填充,而一旦补全,空间复杂度就会非常高,且补的不一定对。 然后就是SVD分解计算复杂度非常高,而我们的用户-物品矩阵非常大, 所以基本上无法使用。 Funk SVD:所以具体对SVD进行一些改变,用一种叫Funk SVD来进行求解。只针对矩阵中有用户评分的信息进行分解。Funk-SVD的思想很简单,把求解上面两个矩阵的参数问题转换成一个最优化问题,可以通过训练集里面的观察值利用最小化来学习用户矩阵和物品矩阵。FunkSVD的做法:因为我们已经有了用
点赞 7
评论 1
全部评论
推荐
最新
楼层
国泰君安
校招火热招聘中
官网直投
相关推荐
运营老司机王学长
06-12 23:02
已编辑
运营
不纠结一页,两页简历照样拿下大厂
在小红书和牛客都刷到很多关于简历一页的帖子,包括有些简历硬凑一页字体非常小看起来很不舒服,文笔一般,理科生直接上重点。为什么大家都觉得简历最好一页,主要有两个原因:1,简历超过一页内容冗余,HR和面试官没有兴趣看完2,历史原因,一张A4纸方面看,不容易遗漏。网上有很多简历超过一页结果面试官没注意到的案例看完这几点,你就不会在纠结了1,对于HR和面试官来说,冗余的从来不是简历页数,设计类的同学应该最有经验,加上作品集一个文档10+页都有可能。冗余的是内容,当你的简历有价值的内容超过一页的时候,我们都是看下去的,主要有价值。有多少人因为什么东西都没有,好不容易硬凑字数才让一页简历看起来没那么空。但...
投递小红书等公司10个岗位 >
简历被挂麻了,求建议
简历中的项目经历要怎么写
点赞
评论
收藏
分享
屋顶的闪闪星光
06-11 12:22
全栈开发
读个美硕给软件技术人带来哪些改变?
小闪先是在沿海某985读了本科,然后去美国藤校读了硕士,回国找工作拿到了几个offer之后找我问建议。 他的经历蛮有意思的,我就约他语音聊了2个小时,于是有了这篇文章。 小闪去国外留学其实有部分原因是完成父辈的梦想,关于这件事我跟小闪讨论之后都认为,二三十年前中美之间的差距太大,西方经济、文化、价值观全面涌入,很容易让那个年代的人对美国仰望,再往后的留学可能就不是因为仰望而诞生,应该会更务实,比如,避开国内的卷。 虽然家里很早就为小闪策划了出国留学这个事,但高中时小闪学习挺不错的,自己也不想去国外,就留在国内读了本科。本科毕业之后本来打算保研,但调研之后发现自己这个跨学科专业在就...
牛客在线求职答疑中心
我的求职思考
点赞
评论
收藏
分享
大摆哥
06-06 13:58
西南大学 计算机类
小公司要求真高
什么纷享销客,都没听过,还嫌弃简历单薄,估计他是摸不到鹅子门槛的😅
大摆哥:
后续对方来了个大拇指,哈哈
查看图片
点赞
评论
收藏
分享
我是天子
06-11 12:12
马鞍山学院 计算机类
大一大二好像可以转go了
现在go的占比好像越来越高了🤓
点赞
评论
收藏
分享
乱白石
06-11 09:46
郑州经贸学院 计算机类
C++找不到实习对秋招有多大影响,对学习应该怎么规划
目前c++和qt已学完,qt做过简易聊天室,本地远程文件传输工具(模仿向日葵),民办二本,数据库和windows和linux都只会一点皮毛,算法题也没刷多少(先啃剑指offer里面的题可以吗?),暑假想找实习,c++八股文目前再看(牛客上面博主推荐的),但是我还是很迷糊,不知道该做什么,有没有好心的大佬们帮我梳理梳理,求求了
找不到实习会影响秋招吗
无实习如何秋招上岸
点赞
评论
收藏
分享
点赞
收藏
评论
分享
回复帖子
提到的真题
返回内容
全站热榜
1
...
一位计算机应届生的回首。
8252
2
...
学后端压力太大了,我昨晚做梦我死了,然后来到了阎王殿,阎王爷让我给生死簿做一个后台管理系统 #段子#
6428
3
...
25届机械/制造笔面经互助来啦!!
6050
4
...
除了互联网,还能关注哪些公司
5673
5
...
25校招痛苦文学
5124
6
...
oppo VS 京东
3616
7
...
6.12校招&实习招聘信息汇总
3590
8
...
网易互娱 许愿许愿🥹🥹
3358
9
...
海康威视实习真的挺香的
3040
10
...
网易互娱开发二面凉经
2947
正在热议
#
牛客帮帮团来啦!有问必答
#
1300732次浏览
18409人参与
#
晒一晒我的offer
#
3997426次浏览
60164人参与
#
不去互联网可以去金融科技
#
45706次浏览
485人参与
#
和牛牛一起刷题打卡
#
40636次浏览
3262人参与
#
来聊聊你目前的求职进展
#
226870次浏览
2862人参与
#
2023届毁约公司名单
#
104588次浏览
466人参与
#
OPPO开奖
#
56792次浏览
817人参与
#
参加过提前批的机械人,你们还参加秋招么
#
16184次浏览
378人参与
#
你觉得今年秋招难吗
#
347665次浏览
6128人参与
#
谈薪时HR压价该怎么应对
#
43023次浏览
319人参与
#
如何确定求职岗位
#
157497次浏览
3002人参与
#
百度工作体验
#
30662次浏览
298人参与
#
如果可以选,你最想从事什么工作
#
217045次浏览
3351人参与
#
机械制造笔面经
#
6915次浏览
216人参与
#
软件开发薪资爆料
#
878479次浏览
11926人参与
#
滴!实习打卡
#
288084次浏览
4267人参与
#
学历对求职的影响
#
171099次浏览
1884人参与
#
实习好累,可以辞职全力准备秋招吗
#
7014次浏览
157人参与
#
硬件人的简历怎么写
#
84512次浏览
889人参与
#
非技术岗薪资爆料
#
50639次浏览
710人参与
#
我的成功项目解析
#
99909次浏览
2784人参与
#
机械只有转码才有出路吗?
#
9914次浏览
187人参与
牛客网
牛客企业服务