探探-推荐算法-日常实习面经

一面：
1. 对推荐算法大概有多少了解

2. kaggle比赛用了什么模型，做了什么优化

3. 你是如何把几个模型的分数做融合的

4. 如果这个权重也作为一个变量参与到训练，这种方式和你手动调参相比会有什么样的差异呢
这题我回答的是串行训练会更多耗时，但是参数精度会提高效果会更好，但是总觉得还是没答到点子上

5. 随机森林的具体运行过程

6. 如何判断过拟合和欠拟合，怎么解决

7. 如何解决梯度消失和梯度爆炸

8. 如果有梯度消失或者梯度爆炸，你发现你的神经网络已经很深了，你是要继续加深还是减少呢，为什么要这么做
这题我回答的是减少，因为梯度消失问题和梯度爆炸问题一般会随着网络层数的增加变得越来越明显

手撕（自有IDE）
1. 无重复字符的最长子串，lc原题。
2. 判断输入的数据将会被插入哪个桶，一道二分，类似于搜索插入位置，lc改编。

二面：
1. 说一下LR里面正则项的原理是什么？为什么加了正则项就能去过拟合呢

2. 一方面你要学这个参数，一方面你又限制学，不是矛盾的吗？

3. cross validation，带有cross validation的训练步骤说一下
注意cross validation调的是超参，当时嘴瓢了

4. Kaggle竞赛规模，说一下你用的trick，为什么这个trick能work？

5. 你对cnn这个模型本身有什么了解？为什么传统的mlp在图像上没有什么效果呢？

6. 说一下对transformer的认知和理解

手撕（自有IDE）
题目：给定两列，都是user_id，每一行都是一个好友关系，输入一个user_id，找出跟这个用户共同好友数最多的那个人

#探探##日常实习##面经#