虾皮推荐算法日常实习一面凉经

1. 实习介绍+介绍论文2. 介绍一下对推荐系统的整体的了解3. 知道哪些精排模型4. 了解DIN吗，讲一下DIN和DIEN的区别5. 介绍一下MMoE6. 介绍一下AUC的物理含义和计算方法7. 大模型在推荐系统的应用都了解哪些8. 了解Meta GR吗9. 找算法实习是专注于推荐领域吗？还是说有投大模型的岗位10. 手撕：lc143 重排链表讲思路+写+逐行讲代码11. 反问

项目 1.新闻推荐项目详细介绍数据情况、召回通道的设计逻辑。2.召回支路的评估方式及加权融合的具体实现(追问)你的这样处理会导致项目中多样性缺失有没有想过解决方案，3.LightGBM精排环节的特征提取了什么，如何评估特征重要性。4.XGBoost的缺点及LightGBM的优化点(追问)LightGBM中直方图差加速的原理。5.项目中遇到的问题及解决方案,6.介绍下简历上的第二个项目八股1.Word2Vec的核心原理，Skip-Gram、CBOW两种模型的区别2.梯度消失/梯度爆炸的原因及解决方法，3.L1正则与L2正则的区别。4.Batch Normal与Layer Normal的定义及适用场景。5.过拟合、欠拟合的原因及常规解决方法手撕1.leetcode 34 在排序数组中查找元素的第一个和最后一个位置

1.先做自我介绍，挑重点项目着重说明。2.项目有具体的应用场景吗？3.视频大模型是不是提取视频中的核心信息？它一般能用在哪里？4.你想做推荐相关、大模型相关，还是推荐和大模型相结合的工作？5.你了解推荐系统吗？6.你了解机器学习和深度学习吗？7.大模型在推荐系统中一般有哪些应用或应用方向？8.大模型怎么缓解或解决推荐系统的冷启动问题？9.你了解大模型推荐的微调这个概念吗？10.微调怎么定义？它一般是针对什么模型进行的？11.推荐场景或垂域场景中，需要微调的核心原因是什么？12.Transformer 的原理能大概说一下吗？13.基于 Transformer 大模型，怎么处理用户的长行为序列？14.Transformer 注意力机制的复杂度是多少？怎么计算？15.长行为序列直接计算会有什么问题？16.稀疏注意力的具体原理是什么？17.推荐系统中怎么设计负样本？你了解随机负样本、语义负样本这些概念吗？18.大模型怎么解决用户兴趣漂移的问题？19.除了折扣因子，解决用户兴趣漂移还有其他方案吗？通过微调的方式可行吗？20.传统神经网络中，梯度消失是什么现象？怎么产生的？21.梯度消失怎么解决？22.你了解哪些激活函数？23.BN（Batch Normalization）是什么意思？24.手撕：无重复字符的最长子串

1.实习介绍2.项目拷打3.数据集大小介绍，字段介绍4.有没有进行分桶处理，分桶的好坏5.项目里 sparse 特征和 dense 特征处理方式有什么不同6.项目里避免过拟合的方法7.模型参数怎么确定的8.标准化归一化是在拼接前还是拼接后，这点在排序和召回中有什么区别吗？9.baseline 里的协同过滤介绍10.din 计算方法11.coding ：一道 sql , hard级别