推荐算法实习一面-鹅厂

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？

最近和几个朋友聊起“同事变闺蜜/兄弟”的经历，大家感慨挺多的。其实关于**“要不要和同事成为好朋友”**，不需要什么AI的大道理，剥开职场那层皮，逻辑其实很真实。它是概率问题，不是选择问题很多时候，我们总觉得“我要不要和他交心”是个主动选择。但实际上，职场友谊往往是环境产物。你们恰好在同一个项目组熬过几个通宵，恰好都讨厌那个阴阳怪气的甲方，或者恰好下班路过同一家好喝的奶茶店。这种“战友情”是天然发生的。如果频率合拍，硬要冷脸把自己缩在“专业面具”后面，不仅累，还会错过那种在枯燥工位上难得的温情。

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目拷打2.实习拷打3.项目数据口径怎么算的，统计了多少数据4.如何判断你的模型已经训练到置信了5.为什么损失函数会在降低之后升高6.为什么偏偏在这个时候降到最低7.模型参数量是多少

实习学不到太多东西其实也挺正常的。很多公司不会把核心任务交给实习生，更多是让你先熟悉环境和流程。别太焦虑，利用这段时间多看看代码、多了解项目，多问问题，慢慢积累经验就好。