上来先自我介绍，针对第一个项目项目问了一些业务上的问题：user id的embedding维度如何确定；针对少行为用户，怎么学好他的uid？（被面试官绕进去了，实际不可能学好）多任务学习中如何解决梯度冲突？如何对多种体裁的物料做混排？（实习做的精排模型，对混排了解不深）然后介绍第二个项目，之后面试官话峰一转，开始问八股，我几乎都答不上来：线性回归和SVM的异同；多层感知机的权重都初始化为相同值，会发生什么；哪些模型不用做normalize。暴露出的问题很多，一是对业务上的前沿优化点不够清楚，二是八股掌握得不够深入周末再冲刺冲刺吧 #面经#  #百度#  #搜广推#  #搜索推荐#

之前北斗投了一些，但是都没通过简历筛，前段时间美团正式批大模型一面面完过了三天没人推进，简历被北斗这边捞起来了，咱也不知道为啥会被什么营销推荐给捞起来，不过北斗大模型确实是摸不到门槛面试问得还算基础，整体难度还OK介绍快手推荐实习应用场景是什么图是怎么构造的，详细的构建过程GNN怎么处理不同关系得到用户embedding后线上如何使用详细说说后续的链路过程介绍腾讯实习SFT数据集如何构造的构造后怎么用于模型的微调的，损失函数详细介绍LongLoRA微调策略，s2-attn常见的sparse attentionsparse attention和长文本的结合后续如何改进开源的各种技术，你们如何评估...

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#

快手的二面是在一面结束一个月后进行的实习项目：再次让我详细介绍了实习项目。Transformer Self Attention介绍：让我介绍了Transformer中的Self Attention机制。序列建模：问我在项目中是如何进行序列建模的。ListMLE损失函数解释：让我解释了ListMLE损失函数的原理。QKV投影：问我为什么要对Q、K、V三个矩阵进行投影，直接用输入为什么不行。MMOE介绍：让我介绍了MMOE（Multi-gate Mixture-of-Experts）模型。最长递增子序列：让我手撕代码实现最长递增子序列。