阿里出海电商推荐算法春招一面面经

问题有些怪，基本没怎么问算法相关技术问题，就硬质疑。没出手撕题，体验有些差，可能kpi1.有什么offer了，有了x的offer不考虑留下么2.祖籍哪里，意向部门为什么填的视频号，我们可不是视频号哦（尴）3.最熟悉什么语言，python脚本性能问题怎么解决，怎么优化（感觉太宽泛了）4.熟悉哪些容器哪些数据结构，问字典集合底层实现（面的是算法吗）5.讲实习项目，问一些数据，问认为模型学到了什么信息，然后质疑下业务指标提升的结果，就这个解释半天6.问实习team的规模，组成，和开发怎么对接7.问认为自己有没有自驱力8.关于推荐看的新的论文，讲了一个，不是大模型不满意，问我了不了解大模型在推荐里的应用。我说可能现在都还在尝试，不太成熟，讲了个比较简单的做embedding9.反问:反问了下对面的业务以及有没有大模型的应用，他说有很多啊，很多公司都在用，并且有一定的效果，不像你说的不太成熟，只是说可能没有好的paper（难绷，像羞辱了）over，体验较差，感觉不会有后续了10.28:挂了，体验问卷狠狠差评 #面经# #推荐算法面经# #推荐算法# #算法# #腾讯#

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：自我介绍研究经历询问，研究主线是什么你的这些论文主要解决了什么问题收益体现在哪里，baseline包括哪些讲一下大模型实习，我以为会问推荐实习的BERT和GPT的区别，都是怎么训练的二者的finetune一般怎么做SFT和RLHF一般各自用在什么场景，各有什么优缺点目前long-context中主流的方法有哪些transformer和lstm+attention相比，主要的改进点是什么对整个推荐系统链路有哪些了解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介绍下推荐实习...

1. 自我介绍2. 实习项目介绍，问的很细致3.  wide&deep模型怎么得到user/item embedding的？4. wide&deep用的是什么损失函数5. mtl模型了解吗？介绍下mmoe6. 多个任务怎么平衡loss7. relu做激活函数优缺点9.   catboost和 xgboost 区别10. catboost 怎么处理类别变量的11. 然后又问xgboost 怎么处理缺失值的12. xgboost的损失函数是什么13. DIN里activation unit结构介绍一下14. transformer结构中的attention机制是怎么样的15.   神经网络初始化权重为0的影响在关注搜广推算法方向的同学们，想拿到搜广推算法offer，可以私信我了解算法项目辅导，在简历中增加一个高含金量的项目，助你斩获offer~ #面经#  #校招#  #推荐算法#  #快手#

#搜广推# 点评事业部，全程就是挖实习项目，问些八股，手撕难度较低，体验很好一面：基本就是简历提到什么问什么挖实习项目细节，穿插问下PNN，PPNET，MMOE多任务学习怎么调loss权重，写下用到的方法的伪代码（写了DWA的公式）怎么进行分数融合？讲Transformer和Bert？分别适用于什么任务？口头问下会不会Spark，Hadoop这些算法题：三数之和二面：讲论文手撕多头注意力机制继续讲实习项目，大差不差算法题：二叉树层序遍历三面：比前面的面试官感觉严肃一些问实习项目细节（更细一些）采用条件概率方式建模的前提？（贝叶斯公式前提条件）了不了解Ltv的建模方式？实习项目一些场景的数据，记不清了，然后面试官开始表演速算，边算边嘀咕，说了个数，我说差不多差不多（回头发现其差太多了，离大谱，业务场景完全不同没什么可比性）算法题：开根号，用牛顿法迭代的Hr面：基本就是聊天，怎么学习的，然后讲了讲强度肯定不小，推荐这个岗位也很卷，工作选择还是看自己对产品的兴趣目前oc等开奖 #美团# #算法# #推荐算法面经# #面经# #开奖#