继续腾讯推荐算法暑期实习面经

前两个流程都被结束了，然后被腾讯视频捞了，之前的面经马上到达字数限制了，所以新开一文记录。

一面时间：4月17日 16:00 ~ 17:00

上来先是做了一下自我介绍

然后开始问实习的项目，让详细的讲，期间就夹杂着八股。

使用的什么loss函数，除了交叉熵损失函数还了解哪些损失函数。
项目过程中有没有遇到过过拟合的问题，什么原因造成的，什么办法解决。
为什么L1和L2正则化能够缓解过拟合的问题。
项目过程中模型设计方面遇到过什么问题，怎么解决的。
什么时候会用softmax，和sigmoid的区别。
了解什么召回算法。双塔降维的流程是什么？
现在tf比较熟悉了吗。（因为提到上一段实习中最开始不习惯使用tf而是习惯使用pytorch）

因为上段实习中讲到了特征降维，面试官问了一个场景题，比如当前情况下我没有任何用户的过往历史数据来进行学习，但我需要进行特征降维，我应该怎么做？
后来面试官讲到他们目前遇到这个问题，然后想看我有什么想法，最后讲他们使用的VAE，问我有没有了解过VAE。

结束之后做了一个算法题：
1120. 子树的最大平均值

然后就是反问时间。

希望能过吧，三战腾讯了

----------4月26日更新
二面时间：4月25日 15:00 ～ 16:10

主要就是问简历上的项目，然后从项目开始扣八股。

介绍一下transformer，位置编码为什么要用三角函数。
了解过哪些推荐算法，说了DIN就让简单介绍一下。
思考一下如果是短视频推荐当中的序列，应该怎么编码。
了解SGD，adam等优化器吗？adam和adagrad各自的优缺点以及适用场景。
如果要从头开始做一个预测用户视频观看时长的模型，应该有哪些步骤？
如果同时要优化用户的点击率和用户的观看时长，应该怎么做？多任务模型了解过哪些？权重共享是共享哪些部分？
实习中用到了降维，因此问了一下了解过其他降维方法如pca没有？

没有做算法题，如果过下一面是总监面，不知道结果如何，祈愿

----------5月9日更新

三面时间：5月8日 14:00 ～ 14:50

三面是总监面，自我介绍完了之后针对之前做过的项目深挖了一下细节，然后问如果后续针对项目的算法进行优化会从哪些方面进行考虑，感觉主要看你的思维和解决问题能力。

三面结束后第二天约了hr面，在10号