面经丨滴滴推荐算法实习生

一面：自我介绍盘问项目，主要是在学习课题组做的网约车相关的项目，侧重于盘问关于神经网络训练方面的内容，在训练过程中有没有遇到过拟合的情况？详细描述这种情况？你认为过拟合的原因是什么？怎样解决？优化的指标是什么？模型求解的效果如何？遗传算法相比较其他启发式算法的优缺点？对常用的机器学习模型的了解如何？了解过决策树模型吗？简述随机森林算法和XGboost的区别？是否了解过用神经网络来进行时序预测的方法？手敲冒泡排序最后出了一个数学题，一根长为1的木棍，截为三段，问组成一个三角形的概率是多少？（差点给我难住）随后面试官介绍了组里的业务职责，询问了到岗时间等反问：简单评价我今天面试的表现 答：基本满意，时序预测和RNN方面需要再学习下一天后约了二面：自我介绍第一个项目（深挖）：项目的痛点是什么？怎么解决？这种解决方法有什么好处？聚类为什么聚成5类？采用什么方式聚类？用了什么距离来比较两个时间序列的相似度？上一问回答了动态规整距离，然后就问这个距离具体是怎么计算的？为什么要采用这种方式？模型的可解释性怎么体现？第二个项目（大致聊了聊）：车间调度的项目，大致问了项目背景，目标函数和约束条件反问：进组之后可以接触哪些业务？大致介绍了一下进组后的业务，对实习生的要求之类的其他还问了一些未来职业发展的方向、平时的爱好等二面结束15分钟后，收到了hr的口头offer #滴滴# #算法实习#

一面/技术面 2024/7/30 下午14:00-15:00面试官先介绍了一下部门的整体情况自我介绍介绍快手实习介绍NIPS论文如何把NIPS论文中的东西用到视频推荐中去呢有没有其他应用场景如果要预测一个视频未来的热度，怎么去做介绍腾讯实习如何构建的数据集？怎么进行sft的还了解哪些微调方式，LoRA LongLoRA QLoRA AdaLoRA平时自己有没有构建prompt的心得和技巧介绍一下transformer的主要结构以及流程开放场景题：小红书目前要做XXX大模型场景，同时资源比较有限，请问应该怎么怎么去弄，介绍全流程；主要介绍了思维链Coding：合并K个有序数组二面/技术面 202...

一面8-191.自我介绍2.问美团的实习，问我商品量级，召回中相关性分档怎么做的，会不会出现query太不规范不能match到商品，怎么解决？我们的场景是否每个query和item都能匹配到相关性分数？3.精排模型我们用的baseline是什么，怎么用query和行为序列做的target attention，行为序列怎么截断的，最后如何用query打压搜索结果的推荐多样性？4.有哪些序列建模的方法和模型5.问了sim的详细原理6.说一下gbdt的全部流程，能做分类任务吗，怎么做7.做了一道中等难度题然后反问问得挺开放的，有些问题答的不好，二面8-221.自我介绍2.介绍实习的召回策略3.向量召回和策略召回的优缺点是什么，怎么解决向量召回的性能问题（不好回答）4.向量召回怎么做可以弥补漏召回或者误召回的问题5.DIN整体模块讲述，target attention的计算时间复杂度6.mmoe整体模块介绍一下，还有什么进阶的模型吗？解决的问题是什么？mmoe的gate输入是什么7.xgb和lgbm区别，怎么进行特征筛选和重要性分析8.讲一下auc在推荐中的物理意义9. 手写AUC（还好复习了，不然直接凉，虽然最后结果输出错了）#快手##快手求职进展汇总##算法##秋招##秋招提前批，你开始投了吗##算法面试分享#

L1 和 L2 正则化的区别？它们都能防止过拟合吗？写出Cross entropy的公式，并解释推导过程。（我先从KL散度的角度回答，面试官提示从最大似然的角度回答，并问是否与贝叶斯有关）解释dropout的作用，训练和测试阶段是否有区别，如何解决dropout预估偏高的问题？如何判断模型是否过拟合？（仅仅训练集loss低，测试集loss高不一定是过拟合，有没有其他判断方式？我从模型偏差和方差的角度回答）如何缓解过拟合？（我说了四五种方法，面试官继续追问有没有其他方法）概率题：计算骰子第一次扔到6的次数的期望。解释AUC的定义，它解决了什么问题，优缺点是什么，并说出工业界如何计算AUC。（特别...