美团搜推算法日常实习一面 1h

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？

大学生活的时间没有持续很长。湖北武汉的大学朋友大学三年级的时候问过我一个问题 “开车回家过年”。开车回家过年 怎么设计一个实体类。当时没有多想面向对象的OOP design 。大学二年级的时候回老家过暑假的时候也尝试看我堆数据库的连接情况是否了解。电子图书馆的成功设计就可以顺利毕业。蹲在老家的那一年坚持看他大学二年级给的企业老板的JavaEE教学录屏。学校教师教学方式和大学外面的工作方式有很大的差距。  坚持练习计算机技术的书籍课程源代码是很好的编程学习方式。时间长久才会可以看懂企业Java EE的一些工作代码的实现方式。自信与经验相辅相成。Practise Java source code ...

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.介绍一下数据集对大模型更熟悉还是传统推荐更熟悉3.强化学习dpo ppo grpo有了解吗4.大模型微调了解吗比如lora5.AUC和gauc是什么6.ndcg是什么7.pointwise pairwise 了解吗8.双塔召回多目标建模9.你有实际用过这些模型吗10.手撕:最长回文子序列

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...