Bigo 推荐算法三轮面经，许愿HR面！
许愿HR面，挺想去Bigo的，也很想做推荐算法，恳求HR面🙏
-------------------------------------------------------------------------------------------------------------------------------------------
第一轮：9月22日，第一轮面试完全考察基本的算法知识
- Xgboost在多分类与二分类过程中有什么不同？Xgboost的原理？
- Boosting是在对上一次训练结果的残差进行拟合，为什么这么说呢？Adaboost/GBDT分别拟合了什么残差？
- FM模型的原理？相较于LR的优势在哪里呢？
- Transformer的原理？Transformer在训练过程中有哪些可以调整的超参？Multi-head attention的原理？
- Batch normalization的原理？在训练和预测中的差异？
- 代码题：给定数组和target，求数组中和为target的组合。
P.S：第一轮裴姓面试官，是我面过最好的面试官，和蔼而且特别训训然善诱人！
第二轮：9月25日
- 主要问项目：
- 楼主的项目是关于利用图神经网络和强化学习解决组合优化问题；（哭了，每一个面试我的面试官都不能完全理解，我尽力去讲解了😭）
- 被challenge的点：关于模型结果的比较，不应该直接数值比较；对于1～2%的提升，应用假设性检验分析，排除偶然情况。
- 代码题：寻找N个数中，第K大的数
第三轮：10.9日
- 主要研究方向是NLP和图神经网络，为什么要申请推荐岗位？
- 问项目一：啊！又没说清，哭了Orz
- 你对推荐系统的了解？
- 答曰：了解了推荐系统的主流框架，召回方法，排序模型，并简单介绍了基于embedding相似度的召回和FM模型。
- 基于项目一，我觉得面试官没听懂；我赶紧给自己加戏了项目二（NLP）项目，但面试官经过前面的“摧残”，似乎意兴阑珊...
- 无代码题
-------------------------------------------------------------------------------------------------------------------------------------------
万能的牛客呀，许愿HR面！
投递得物app等公司10个岗位 >
查看13道真题和解析