虾皮生成式推荐算法实习面经

攒人品中，祝大家都能拿到满意的Offer！1. 广告推荐链路的常见模型和评价指标2. 正负样本如何采样3. 用户对于poi的偏好不同，这一点如何建模。比如，点击为0，点赞为1，下单为24. 问resnet，梯度下降推算5. 冷启动的概念6. 为什么用clip7. 了解的召回推荐模型8. 尝试过的foundation9. 手撕：k个一组翻转链表10. 手撕：判断二叉搜索树

1、详细介绍一下你最有成就感的项目我最有成就感的项目是一个智能数据分析平台，这个平台主要为企业提供数据采集、清洗、分析和可视化的一站式解决方案。项目背景是客户有大量的业务数据分散在不同系统中，包括ERP、CRM、财务系统等，他们希望能统一管理这些数据，并通过数据分析辅助决策。我们团队负责从零开始搭建这个平台，我在其中担任核心开发的角色。技术架构方面，我们采用了微服务架构。后端用Spring Cloud Alibaba全家桶，包括Nacos做服务注册和配置中心，Gateway做网关，Sentinel做限流熔断，Seata做分布式事务。数据存储用MySQL做业务数据存储，MongoDB存储非结构化...

发一下问题给大家参考，攒攒人品！有面试过同岗的朋友欢迎评论区交流实习项目拷打1. BN介绍一下？它的优缺点？什么时候用BN的效果不好？2.  交叉熵损失函数？为什么分类问题用交叉熵而不用MSE？3. RF和GBDT的区别？4. 梯度爆炸问题有什么解决方式？

1、自我介绍2、训练和推理的并行策略大模型训练和推理常见的并行策略主要有数据并行、张量并行、流水线并行和专家并行。数据并行是每张卡放一份完整模型，不同卡处理不同 batch，然后通过 All-Reduce 同步梯度。它实现简单，但模型太大时单卡放不下。张量并行是把同一层的权重按列或者按行切到多张卡上，每张卡只算一部分，再做通信聚合，适合单层参数特别大的场景。流水线并行是把不同层分配到不同 GPU 上，让不同 micro-batch 像流水线一样流动，能解决单卡放不下完整模型的问题，但会有流水线气泡。专家并行主要出现在 MoE 结构里，不同 token 路由到不同专家，参数量可以很大，但每次只激...