小红书 社区算法 面经

岗位是做首页笔记推荐相关的东西，感觉算是比较核心

10.21一面：

1. 自我介绍
2. 研究经历询问，研究主线是什么
3. 你的这些论文主要解决了什么问题
4. 收益体现在哪里，baseline包括哪些
5. 讲一下大模型实习，我以为会问推荐实习的
6. BERT和GPT的区别，都是怎么训练的
7. 二者的finetune一般怎么做
8. SFT和RLHF一般各自用在什么场景，各有什么优缺点
9. 目前long-context中主流的方法有哪些
10. transformer和lstm+attention相比，主要的改进点是什么
11. 对整个推荐系统链路有哪些了解
12. 打分样本空间分布与精排不一致（精排对粗排返回的样本做排序，粗排则要对召回的样本打分），相关的解决方案了解吗
13. 介绍下推荐实习相关的工作
14. 有考虑利用线上用户的行为做一些finetune么
15. 算法题：lc115，不同的子序列
16. 反问：部门业务和工作时长等

算法题下来一搜竟然是个hard，做得磕磕绊绊的，面试官说我动态规划这块题刷少了

————————————

11.1二面，是我遇到过的最难的推荐面试比抖音推荐面试要难许多，不过感觉回答还算OK，最后一题在提示下做出来了

1. 自我介绍
2. 实习期间最有意义的工作是什么
3. 有没有接触过GPU中比较底层的一些算子之类的
4. 你觉得LLM对做推荐有什么帮助吗
5. LLM如何处理用户的历史行为序列
6. LLM与推荐结合落地上有什么问题
7. LLM想要和推荐结合，有没有什么可落地的方案
8. 介绍推荐实习工作
9. 如何处理一些度非常大的用户节点
10. 模型的规模，网络的规模
11. graph分布式训练是如何实现的，如何分布式存储的
12. 新模型指标提升了多少
13. 用户推荐一般关注什么指标
14. 你觉得业务上为什么会关注总关注数这个指标
15. 总关注量越高越好吗，直接去优化总关注量指标会有什么问题
16. 直接优化总关注量可能出现很多刷关注的用户，如何从模型和数据等角度去解决这个问题
17. 抖音和小红书的推荐系统你觉得有什么差别，从算法的角度上谈一谈
18. 小红书和抖音的冷启动处理机制你觉得有什么区别
19. 小红书是一次性展出多个笔记，而抖音是刷新出单个视频，你觉得算法上有什么区别
20. 算法题1：有n个灯泡，一开始都关闭，执行n轮操作，第k轮将序号为k的倍数的灯的状态反转，请问n轮操作后有几盏灯是亮着的
21. 算法题2：给定一个数组，每次从中取出一个数k，然后将数组中所有k-1和k+1都去掉，请问如何取才能保证所取的数之和最大，最大为多少