bigo推荐算法一/二面 面经

一面：

1.lstm原理三个门作用和sigmoid函数tanh使用，梯度消失问题如何解决，rnn为什么不能，缺点如何造成的。lstm如何解决长期记忆问题

2.bert原理和注意力机制介绍一下

3.dssm为什么不能做user和item的交叉，dssm有什么优缺点，item端如何处理语义的

4.召回和排序中有哪些模型，原理都了解吗？fm，deepfm，wide啥的

5.lr特征为什么要离散化

6.auc公式是什么，如何一句话解释auc的含义，数据不平衡对auc有影响吗，还有什么指标可以针对不平衡数据。

7.常用激活函数都有哪些，优缺点

8.时序模型用哪些，各有什么优势，介绍一下

9.商品匹配多模态如何做的（自己的项目）

10.召回后搜索fassi近邻搜索的原理

代码题：最长不重复子串

二面：

1. 针对不平衡样本问题，在通过上采样后，正例：负例的比值由1：10变为2：10，则dnn模型预测的概率会增大多少，若想要当前输出概率和原始期望想同，则需要如何操作
2. dnn如何评估特征有效性和重要性，其他机器学习模型呢，统计方法呢？
3. 如何进行的自创mixup采样操作（问不平衡采样一般的方法）
4. 双塔模型是做什么的，为什么不用热度推荐，相比的话dssm有什么优点
5. 如果遇上一个新item，它的向量该如何计算或者处理，如何解决新user和新item进来的问题（计算相似度，热们物品向量加权填充），特征缺失该怎么办。
6. 手撕：合并k个有序数组 （我只做了合并两个，结果惨了····）
7. 手撕提高版：给定一个由二元组组成的列表，分别代表分数和类别，给定一个k，要求按分数大小输出同时满足类别不能连续k个相同。
输入：[(1,1),(2,2),(3,3),(4,3)]，k = 2

输出：[(4,3),(2,2),(3,3),(1,1)]

解释：原始数组排序后必须满足类别不能连续k个一样的条件，因此[(4,3),(3,3),(2,2),(1,1)] -> (4,3),(2,2),(3,3),(1,1)]
个人感受：面试官很好的，但是奈何我太菜，好多东西没准备好，感觉问的问题都很尖锐，是有区分度的那种。

三面：（主管面）

1. 自我介绍

2. 实习经历和项目（主要时间在谈这个）

3. 具体实现和遇见的问题

4. 为什么转型做算法（我是非科班）

5. bigo公司了解吗，我们针对的是海外直播和交友市场

6. 期望地点在哪里

7. 平时有什么爱好

8. 反问：公司的定位以及我所在的部门情况。

HR面：

刚通知。后续继续更新