avatar-decorate
No_Game_No_Life level
获赞
146
粉丝
62
关注
8
看过 TA
1089
湖南大学
2025
推荐算法
IP属地:北京
暂未填写个人简介
私信
关注
#钉钉##暑期实习##面经##推荐算法##推荐算法面经#-形式:电话面试-时间:2024年4月9日 10:00,总计38分钟- 题外话:是否放实习,实习时间、有无offer- 自我介绍- 项目- 论文- 正负样本构建: 随机负采样、热度降采样、曝光未点击、点击上方- UserCF和itemCF的区别和原理- 多目标- 召回和排序的指标,怎么度量性能- 假如系统上线了,效果不好,怎么定位是召回还是排序的问题- 冷启动怎么解决- GBDT和XGBoost为什么就能拟合的比较好。    - boosting方法,前向传播+加法计算,第m棵树学习前m-1棵树的残差,逐渐增强对hard数据的关注。- 那么加深树的深度,是不是效果就更好    - 训练集表现好,过拟合。- 如何应对树模型的过拟合。    -shrinkage参数或者叫学习率    -正则化项    -树的剪枝策略,前剪枝和后剪枝    -子采样    -早停-boosting和bagging的区别:低/高偏差、高/低方差;加法模型/投票-激活函数的选择-激活函数不可导的点怎么处理- 无手撕,居然无手撕- 反问:1. 团队规模2. 业务方向3. 后续提升的建议:推荐方向,比较的贴近业务,你需要到业务中碰到和想到一些问题,细节上可以做深一些。每一个场景中有自己的特点和东西,别人场景有效而不work的,需要明确问题所在;你之后在业务中对这一块应该会更有体会。======================ohhhh,没有手撕,时间也比较短,感觉像KPI。答的也不是很好,大概率寄。找暑期实习前,没有实习经历,等于废废的了。======================更新:刚写完面经,已挂😂😂
0 点赞 评论 收藏
分享
#快手# #暑期实习# #二面#  #推荐算法# #推荐算法面经# 时间2024年4月3日 15:00 总计65min1.自我介绍 2.本科推荐系统项目(参考一面面经)3.论文4. 讲一讲CTR预估和序列推荐模型- DIN DIEN SIM  Caser GRU4Rec SLiRec CLSR MIND....5. 了解矩阵分解吗- MF、LFM6.LSTM模型介绍,几个门的作用7.transformer模型结构8.自注意力机制的计算复杂度(原始qkv)- O(dn^2)9.二分类任务的损失函数,搓个交叉熵代码10.怎么理解交叉熵- 条件熵,含义可以理解为预测概率分布和真实概率分布之间的差异程度11.优化器optimizer了解吗- 开始吟唱:[BGD、miniBGD、SGD]=>SGDMAdagrad=>RMSProp=>Adam12.一阶动量和二阶动量在Adam公式中的位置13.为什么需要对神经网络进行初始化,全部初始化为相同的值会怎么样- 梯度反传相同=>网络退化14.最长上升子序列:板子题,动态规划O(n^2),动规+二分O(nlogn),时间够写了两种解法反问环节:1. 是否和一面面试官一个团队(二面再问团队规模和业务方向有点怪)2. 后续提升方向:聊了很多,感悟也很多,觉得面试官人还怪好的。(虽然本来就只打算套个评价)奇怪的是,面试官问我是没参加秋招吗,我回答说找的是暑期实习。然后面试官说他那边看着是投递的春招的岗位,所以按照这个标准来面的,那没事,我帮你操作一下,变更到暑期实习,方便推进下一步流程。我顿时亚麻呆住了,难怪八股强度这么高,优化器和网络退化都整出来了。==========感觉能过,面得酣畅淋漓,是这么多场面试发挥最好的一场了。希望有三面,我快要撑不下去了,找暑期实习属实磨人。=====更新,当天晚上就约三面了,4.9,不愧是“快”手。
0 点赞 评论 收藏
分享
#拼多多##推荐算法面经##暑期实习#### 一面 - 时间:2024-04-01 总计30分钟- 自我介绍- 本科推荐系统项目(项目细节问的比较多,基于项目展开考察八股,细节可以参考我的美团一面和快手一面面经,内容差不多)- 介绍pointwise-loss、pairwise-loss、listwise-loss- BPR损失- 特征重要性评估方法  - 排列重要性:随机打乱某一维特征的取值,测试模型性能下降。原理可以理解为使用随机,将该特征变为噪声。若打乱后模型性能下降较大,说明比较重要。  - 内置特征重要性:有些模型本身可以输出特征重要性分数,如LR和树模型  - Leave-one-out:直接迭代的删除某一维特征,测试模型性能  - 相关性分析:分析特征与目标之间的相关性。同理,若特征随机化,则其与目标没什么关系。  - 递归特征消除:不断减小特征集,每次删除会导致更大下降的特征  - XGBoost特征重要性:某特征在不同划分中得到的增益均值/使用次数  - 主成分分析PCA- 论文- 手撕:lc55 跳跃游戏。给定一个非负整数*数组* nums ,你最初位于数组的 第一个下标 。 数组中的每个元素代表你在该位置可以*跳跃*的最大长度。 判断你是否能够到达最后一个下标。- 反问环节  - 项目规模  - 落地业务  - 我对该岗位来说,还有哪些需要提升和学习的?套评价,分析面试官反馈:项目实践比较丰富。后面可以多学习一些偏业界实际在用的方向,召回、精排、重排等文献、以及序列建模这一块,组里面也再做这一块。感觉面得还行,手撕两分钟写完,希望不是kpi,许愿二面。=====2024.4.3更新======约二面了,04-11 16:00 周四
0 点赞 评论 收藏
分享
#美团暑期# #推荐算法面经# #凉经# 第一次笔试(机试)213/500第二次笔试(机试)390/500100+100+100+80+10#一面-时间:2024年3月26日 11:00,总计58分钟-自我介绍-论文-本科推荐系统项目  -职责  -开发人数  -召回用了什么算法    -个性化和非个性化  -召回怎么做融合的  -排序用了什么算法  -介绍DeepFM的FM侧怎么做的特征交叉  -图片的推荐需要哪些信息,怎么给用户推荐的  -是否需要query文本,有query的话就会变成一个搜索系统    -有的话会考虑query的查询,没有则变为个性化推荐  -对于query文本,有做哪些增强    -字符匹配以及文本embedding相似度计算    -改进的话,可以考虑构建近义词或者tag graph融合多跳邻居关系,即以query文本为seed种子,扩展其语义。  -文本embedding怎么做的    -word2vec  -word2vec怎么训练的,是在自己数据集上训练的吗    -不是,是用的开源的大语料库进行的NLP模型训练。实际上使用小规模数据集训练NLP模型,效果并不会太好  -简历上写了冷启动问题,怎么解决的    -爬虫爬取社交网站,获得数据  -真实业务场景中也会遇见冷启动问题,怎么解决    -协同过滤 itemCF和UserCF    -基于内容的物品推荐    -基于profile的用户相似度计算  -看你了解序列推荐,描述一下你的理解  -介绍Transformer的结构  -Transformer怎么应用在序列推荐中的    -主要用的是解码器部分,QKV,mask的多头注意力机制    -SASRec,TiSASRec-三数之和:板子题-提问:手上有offer吗  -答:腾讯和阿里云过了一面-反问:  -团队规模  -业务:到家群,综合、广告、门票,搜广推相关  -我对该岗位来说,还有哪些需要提升和学习的(这个问题是重中之重,可以侧面了解面试官的态度,对后续面试准备进行启发):综合能力挺强的,如果想进大厂建议专精于召回、精排等某一方面。===4.1早进入人才库,中午开始重筛简历===4.1中午捞起来了,开始折磨,约的4.3
0 点赞 评论 收藏
分享
#推荐算法面经##快手暑期实习### 快手【转正实习】-推荐算法(简历挂)简历挂快手【转正实习】-机器学习(第二志愿流转)### 第一次面试 - 时间:2024-03-27 11:00- 自我介绍- 手撕:  - 数组中第K大值(维护K大小的堆,复杂度O(nlogk))  - 快速幂- 本科推荐系统项目  - 召回用了哪些    - 非个性化:热度和高质量召回    - 个性化:FM、deepFM  - 召回的输入特征怎么来的  - FM召回算的什么分数,干什么用的  - FM特征怎么构造的  - 年龄等dense特征怎么处理的:直接送入或者分桶  - 召回融合方式:轮转召回融合和线性加权  - 排序用了哪些    - 协同过滤    - deepFM  - 协同过滤怎么做的  - 知道/用过哪些评测指标  - 是用的离线推荐吗:只写了离线层,没有实现在线层和近线层,数据规模小,用户五万 物品十万  - 大规模数据怎么处理:聚类选择代表性物品和用户,聚类id  - 数据库里存的什么信息,怎么计算FM的二阶特征交叉  - 冷启动怎么解决- 论文:照着paper讲解- 反问环节  - 项目规模  - 落地业务  - 我对该岗位来说,还有哪些需要提升和学习的?套评价,分析面试官反馈:实操丰富,但是缺少实践经验,本身招实习也是为了你们能来实战,感受业务场景从评价看,感觉一面能过。中午面下午就来二面消息了,不愧是**快**手,确实快😀
0 点赞 评论 收藏
分享
牛客网
牛客企业服务