推荐算法面经

#面经##算法#别的公司都是纠着实习项目问，穿插一点点八股就没了，字节拷打得还是太全面了。首先就是挖实习项目，穿插些八股有哪些解决回归问题的方法？其他视频时长建模方法？MSE前提一定是要满足正态分布吗，感觉你说的不太对（??）长尾数据分布，多峰分布怎么应对？梯度消失怎么解决？激活函数，吟唱优化器，SGD,SGDM,RMSProp,Adam，吟唱回归的评价指标有哪些？ROC，AUC含义？到这里还凑合，后面开始问起计算机基础了，完全没准备，尴尬（不过其实确实很基础，但有的讲不清了）深拷贝浅拷贝区别？进程、线程、协程？TCP三次握手四次挥手？Python反射？回答得很尴尬，然后开始做题：第K大数：侥幸心理调包，写完后被羞辱了：“你要调包还有什么可写的，给我手动实现下最小堆”写了一会，没写出来，说可以换一个，换成了LCR 160.数据流中的中位数一天了没消息，估计是寄了#字节# #搜广推# #面经##推荐算法##推荐算法面经##算法#

#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

#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。

#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。。。。

#OPPO#感觉和互联网风格不太一样，不太侧重挖项目，全程在拷打八股1. 挖项目细节2. 讲讲特征怎么稀疏化，怎么处理的3. 怎么对数值特征进行分桶4. 讲讲推荐系统里有哪些注意力5. 讲MMOE,PLE,ESMM模型6. 讲XgBoost7. 讲DIN8. 讲Transformer，为什么注意力能起作用9. 推荐系统有哪些Bias特征10. Embedding特征相对于其他特征为什么能更有效果？#面经##推荐算法##推荐算法面经##OPPO#

问题有些怪，基本没怎么问算法相关技术问题，就硬质疑。没出手撕题，体验有些差，可能kpi1.有什么offer了，有了x的offer不考虑留下么2.祖籍哪里，意向部门为什么填的视频号，我们可不是视频号哦（尴）3.最熟悉什么语言，python脚本性能问题怎么解决，怎么优化（感觉太宽泛了）4.熟悉哪些容器哪些数据结构，问字典集合底层实现（面的是算法吗）5.讲实习项目，问一些数据，问认为模型学到了什么信息，然后质疑下业务指标提升的结果，就这个解释半天6.问实习team的规模，组成，和开发怎么对接7.问认为自己有没有自驱力8.关于推荐看的新的论文，讲了一个，不是大模型不满意，问我了不了解大模型在推荐里的应用。我说可能现在都还在尝试，不太成熟，讲了个比较简单的做embedding9.反问:反问了下对面的业务以及有没有大模型的应用，他说有很多啊，很多公司都在用，并且有一定的效果，不像你说的不太成熟，只是说可能没有好的paper（难绷，像羞辱了）over，体验较差，感觉不会有后续了10.28:挂了，体验问卷狠狠差评 #面经# #推荐算法面经# #推荐算法# #算法# #腾讯#

#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😀

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😂

#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😂😂

一、简介搜广推算法在各大互联网公司中承担着重要的流量转化的作用，其中推荐算法作为一个重要分支，它旨在为用户提供个性化的推荐内容，以提高用户体验和满足他们的需求。推荐算法的应用范围非常广泛，包括电子商务、社交媒体、音乐和视频流媒体、新闻推荐等各个领域。以下是一些可能出现在推荐算法系列面试中的主题和问题，面经请关注专栏：小白机器学习面试指南。持续更新中。二、面经及参考回答1、你了解的常见的召回策略，算法有哪些？参考回答：召回算法用于从大规模数据集中快速筛选出一组候选项，以供后续的排序和推荐处理。常见的召回有下面几种：基于内容的召回：基于物品的内容召回：使用物品的属性和特征，如文本、标签或图像，来计...

金融难民艰难转码，第一份算法日常实习根本找不到…… 学金融是什么原罪吗？专业被当成文科生不说，系统推荐的都是商分产运，想做算法却被劝退做数据分析，但是对不是很想当sql girl……还有两年研究生毕业（或者考虑gap一年申data相关硕），今年4月决定金融转码。正在寻找算法日常实习机会，未来希望能够从事算法工程师-搜广推方向（初步设想）或者其他更接近业务的算法岗（大佬的cv nlp llm那些是不会想的）。由于本科期间的四段实习经历全在金融行业，一段量化，目前还没有互联网大厂实习经历。已自学数据分析、机器学习等，简历上有两个pj，都是用机器学习进行数据处理和建模做预测。想找算法相关的日常实习，但是三无选手，0大厂经历又是个很大的劣势。以我目前这个背景，今年暑假想找日常是不是白日做梦直接找算法岗太难的话，那么找数据科学/数据挖掘这类实习会有用吗？求求建议各位神仙大佬的宝贵建议和意见走过路过有合适的算法或数据挖掘实习机会不论大厂小厂可不可以考虑一下我，焦虑得要碎了 #算法实习#  #日常实习#  #没有实习经历，还有机会进大厂吗#  #找实习好难#  #推荐算法面经#  #数据挖掘# #实习，投递多份简历没人回复怎么办#  #机器学习面经#  #机器学习#  #日常实习#  #简历中的项目经历要怎么写？# 引流 阿里腾讯字节美团拼多多淘天蚂蚁饿了么京东百度网易快手滴滴小红书得物

个人背景可以看之前写的腾讯LLM面经一面 2024/3/15 晚上15:00-16:00先自我介绍，大概1分钟论文，介绍大致创新点，和之前的研究有什么区别论文中用了什么数据集？如何对模型进行评估？数据集是自己处理的还是什么深挖快手推荐算法实习主要负责人什么业务，以及推荐链路中的什么阶段思路是mentor提供的还是自己想的，有和其他人进行对接吗？xgboost是如何进行操作的？具体原理？图存储Hive之类的问题，最终上线以及取得的效果如何？问了一些Transformer的问题：手写自注意力，手写多头注意力，除以根号下dk的作用Transformer的encoder，从输入到输出的具体过程多头注意...

字节跳动火山引擎招聘推荐算法工程师，海量hc ，有想做推荐的，或者有机器学习背景的人可以私聊加微信。#23届找工作求助阵地##推荐##推荐算法##推荐算法面经#职位描述1、在各种APP推荐场景（包括但不局限于各种APP的信息流、视频推荐等）中，通过自研推荐系统为用户推荐今日头条、抖音、西瓜视频等内容；2、对用户以及运营诉求进行分析和抽象，设计并实现可行的技术方案，通过推荐算法和策略优化，持续提升推荐效果；3、分析并解决推荐中的各种问题，如冷启动、画风优化、模型校准等；4、完善产品平台功能，尽可能做到平台化和自动化，提高接入效率，帮助扩大业务规模。职位要求1、具有扎实的算法功底和编码能力，熟悉Linux开发环境，熟练掌握C++；2、优秀的逻辑思维能力，分析问题和解决问题的能力，对解决具有挑战性问题充满激情和韧性；3、优秀的团队合作精神，以及良好的沟通能力；4、有推荐系统相关经验，包括召回、排序、推荐策略等项目经验者优先；5、熟悉Hadoop、Spark等大数据处理平台，有海量数据处理经验者优先；6、熟悉常用机器学习模型/算法框架，如DNN/GBDT/LR、Tensorflow等优先。

宣讲会线下面试，时长30min面试官对量化有研究，拷打量化实习经历量化中的特征交叉和推荐中的特征交叉模型，FM,FFM,DeepFM,xDeepFM,Wide&Deep,DCN,DCNv2,FiBiNet介绍发表论文如何解决优化问题:min_a max_b LossFunction(a,b)

学历：2本中9硕南方人，毕业后想在南方（广州，深圳）目前研一，由于是年轻导师，组内可供参考的经验比较少，也没有师兄师姐发出高水平的论文来，再加上网上的唱衰，感到比较迷茫😭 目前想走后端开发，或者打比赛试试搜推岗（听说对论文要求不是很高？)，求各位前辈，学长学姐解答下困惑，每天都在为未来发愁( ๑ŏ ﹏ ŏ๑ ) #算法#  #推荐算法面经#  #Java#  #研究生#

个人背景可以看上一篇腾讯面经一面/技术面 2024/3/27 上午10:30-11:30面试官先自我介绍，介绍了主要的业务，负责美团外卖App首页的外卖商家推荐等自我介绍，大概1分钟详细问了之前快手实习的过程，期间问了一些问题你觉得在用GNN做推荐时，哪些因素比较重要？介绍了NeurIPS论文算法题：二叉搜索子树的最大键值和问以后三年内的打算一面几乎没问八股，快手实习和论文讨论完就已经40分钟了，留了20分钟做题二面/技术面 2024/3/29 下午16:30-17:00上来直接让介绍快手的推荐实习主要干了些什么你觉得有什么出彩的地方？图神经网络做推荐有啥优势？你进来后具体想做什么？LLM和推...

介绍文章 手写逻辑回归 为什么逻辑回归需要手工做特征组合 如何离散化特征，为什么要离散化特征 leetcode 一道简单二分 user cf item cf各自是什么，有什么使用场景，有什么缺陷