推荐算法实习面经

1．决策树与随机森林区别
2.GBDT的原理、 XGBoost 与 LightGBM （项目涉及会问到）
3. XGBoost 的其他变体（ CatBoost 等）
4. Transformer （这个这个超级超级重要！!)
5．手撕 Self - Attentin 、 Multi - Head Attention 
6.特征归一化（ LN / BN )
7．交叉熵损失（字节常考，交节）
8．优化器（ SGD / Adam / Adagrad )
9.L1/L2正则化（ LightGBM 中也会用到）
10. Dropout 原理
11．模型初始参数为0的问题
12.梯度消失与梯度爆炸及其解决方法
13.Wide& Deep 模型（也可以准备一下，很多工业界还用这种类似的模型，有 wide 侧和 deep 侧，说不定面试官会感兴趣）14. DeepFM 模型
15. DIN 模型、 DIEN 模型（特征处理）
16．多目标学习（ MMOE 、 ESMM ，可以了解 PLE )
17.DIN模型、 SIM 模型
18.DCN模型和其他交叉网络（ LHUC 、 SENet 、 FiBiNet )
19．冷启动策略（新闻推荐项目也会涉及冷启）
20．重排规则（可以看王树森的课程简单了解）
21.A/ B 测试的分桶方式是什么？
22．推荐系统的短期消费指标？
23．推荐系统的北极星指标（最关键指标）?
24．推荐系统的转化流程是什么？
25．矩阵补充模型原理和损失函数
26．召回的正负样本选择（曝光未点击的能否作为负样本）
📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。