#快手##暑期实习##oc#3.14 快手【转正实习】-推荐算法（部门筛简历挂）3.16 快手【转正实习】-机器学习岗位投递3.27 中午 一面3.27 下午 约二面4.3   下午 二面4.3   晚上 约HR面===清明节===4.9   傍晚 HR面4.9   晚上 OC泪目，暑期实习就到这了，其他家的不好意思拒绝，就随便面面好了。“快”手，真的快，今天就化身手孝子了。

#快手# #hr面试# #面经# #推荐算法# #暑期实习# -时间 2024年4月9日 晚上，总计12分钟-自我介绍-项目-论文-什么时候能来实习？    -六月份到九月份-base地有什么考量吗？    -北上广深都有投递，没什么倾向-有投递其他家吗？    -大致的介绍一下其他家的推进流程-这么说，快手是目前进度最快的？    -是的是的，如果快手能够发offer的话，我其他的流程应该就不怎么推进了-导师同意出来实习吗？    -已经跟导师商量过了，老师还是比较理解的，是同意的。-反问环节    -什么时候有新的反馈？    -hr回答: 面试结束，大概1到2天会跟业务部门沟通一下，如果发offer的话会有电话通知。然后再过1到2天会有正式的邮件。=============许愿oc，手子，求求收了吧，快面不动了。=============更新：当晚oc了，洗澡的时候HR打电话来了，说了下薪资福利啥的，还有确认入职时间。

#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😂😂

#美团# #暑期实习# #面经# #一面# -时间：2024年4月8日 19：00，总计50分钟- 无自我介绍，直接项目- 论文- 正负样本构建: 随机负采样和热度降采样- UserCF和itemCF的区别和原理- 概率题：贝叶斯公式- 编程：链表元素去重。哈希记录，遍历调整链表指向- 反问：1. 团队规模2. 业务方向3. 后续提升的建议：多做一些业界的调研，追踪和对标优缺点。加强一些动手的实践，当然可以理解，毕竟没有实习过，在这方面稍微会有点欠缺。但想要有亮点的话，还是建议加强这方面的实践。======================ohhhh，没有自我介绍，感觉像KPI。找暑期实习前，没有实习经历，等于废废的了。

#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。

蚂蚁集团-平台技术事业群-蚂蚁智能引擎技术事业部-智能引擎技术部 #蚂蚁# #暑期实习# #推荐算法面经# #推荐算法# 4.2 19:30  一面  总记55分钟主要是我讲，没怎么问八股。- 本科推荐系统项目细节（可以参考美团和快手的面经，常规的推荐系统结构）- 论文- 序列建模介绍- DIN->DIEN- 手撕：最小覆盖串，滑动窗口+哈希- 反问：1.团队规模2.落地业务3.后续提升方向：简历上做的论文工作，可以明确一下创新点、工作内容、指标、提升幅度等；对序列建模还是有一定的理解，但是缺乏实践，看下来没有一个特别大的亮点（找实习不就是为了有机会实践）。========感觉像KPI，对阿里系PTSD了========更新: 4.3 早9:00 意料之中的感谢信😂

3月9号就投递了，马上清明节了，放完假就是筛了整整一个月，啥动静都没有。快手和腾讯都约二面了。#字节##简历初筛#

#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

腾讯-PCG技术线-技术研究-推荐算法方向3月20号面的一面，感觉一面面的挺好的，咋一直复试状态无变化，没约二面也没变灰色挂掉。3月30做的笔试，303/5004月1号 刷新了一下简历4月2号 早9:00 hr来电话了 问什么时候有时间面试，约了节后。之前没有发邮件催，怕被挂。=============更新: 4月2号 晚10:00 流程结束，节点变灰，看不懂了，可能早上的面试是新的一面（根据室友的经历，这种大概KPI）。 #腾讯面试# #腾讯# #腾讯复试#

室友的简历颠勺他其实一面过了，面试官现场说的没问题会安排二面，但是隔两天还是被挂了。看其他贴子的说法，可能是HR给挂了。然后就开始被捞、挂简历的循环了。😂 #阿里云# #简历挂# #阿里云暑期实习#

#腾讯暑期##推荐算法面经## 一面- 时间：2024-03-20 14:30  63min- 自我介绍；- 论文（挺喜欢问论文细节的）- 优秀毕设- 推荐系统项目  - 职责  - 几个人做的  - 数据集怎么收集的- 项目里的召回怎么做的- 怎么解决的类别不平衡问题，具体用的什么方法，效果怎么样，不同的方法具体是怎么做的- 线下和上线测评效果不一致的原因- 介绍deepFM- 介绍DIEN细节：GRU+AUGRU- 介绍下AUC和GAUC- 知道哪些指标- 知道哪些损失函数- 了解哪些序列建模方法- 介绍下特征交叉方法的演化路线，deepFM之后的特征交叉模型有了解吗- 了解大模型推荐吗- 搓个交叉熵损失代码- 一道博弈题：100个球，A先手取1~6个，B再取1~6个。来回重复，问如何保证A获胜- 一道编程题：数组向右移动K次（尾部和头连接），O(1)空间复杂度，O(n)时间复杂度- 提问这次面试体验很丝滑，虽然不知道能不能过，但是面试官给我感觉非常不错，应该是目前体验最好的面试官了！希望能过！**结果**：一面过了，等待二面中。。。。

#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

#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😀