字节-推荐算法一面二面
7.25 上午一面
#秋招#
自我介绍；
详细询问当前实习的模型，引出对mmoe、esmm的细节提问，问还知道哪些多目标预估模型（ple、snr）
多目标预估的多个loss融合方式？（我答了斯坦福的pcgrad，或者加权融合loss。面试官补充说可以通过loss的收敛情况自适应加权）
position bias：如何判断推荐系统有position bias（看同一个item在不同位置的ctr），你还知道哪些bias？（selection bias、exposure bias、conformity bias、popularity bias）
对CNN、LSTM（bptt推导，不用现场推，记住公式即可）、self attention（为什么除以根号dk等）
senet的激活函数（我说就是两层sigmoid吧，面试官让我再想想？后来他说他好像记错了哈哈哈）
概率题：54张牌分3份，大小王在同一份的概率
代码题：二叉树的最大宽度
————
面完一分钟之后发信息通知二面，我直接约了当天晚上。但后来又开始后悔，想再多些时间复习的。不过还是硬着头皮上了
————
7.25 二面
自我介绍；
介绍一个你最有代表性的经历（我介绍了两年前实习做的推荐，并引出细节问题）
知道哪些做特征交互的ctr模型
基础：lr的推导、为什么用log loss不是mse loss
概率题：一个条件概率，比较简单
代码题：硬币划分
后面还有时间，问了召回里面的协同过滤。user和item协同过滤各有什么适合的场景？（我答：在item增长特别快的场景，如新闻推荐，用user协同过滤更好；反之亦然。面试官提示从冷启动方面想，即当user冷启的时候用item协同过滤更好）
——
面完20分钟收到三面通知，约了8.2🍀许愿过过过！！🎋
感觉字节的面试官很好很温柔，一面面试官很像去年实习时候的mentor，于是好感++。可能看我可爱，出的代码题也很温柔。希望三面面试官也很温柔！！
投递哔哩哔哩等公司10个岗位
