快手+推荐算法工程师+二面面经

1.项目问了一下快手的工作2.八股介绍一下MMOE，极化现象知道吗，如何解决L1和L2的区别介绍一下bn过拟合还有什么其他方法3.code最大子数组和链表交替打印4.反问业务是图文推荐，据说老板很重视，冲冲冲

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...

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#

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...