广告算法工程师一面、二面面经

一面 1. 详细介绍自己的实习经历，重点说明模型优化迭代的具体思路和落地效果 2. 介绍MinioneRec项目所用数据集整体规模与构建方式 3. 传统方法即可实现ID向量化，为什么项目要采用大模型进行ID表征学习 4. 阐述SID表征相较于普通Embedding的优势 5. 同样为ID类特征，SID能有效学习、原生商品ID难以训练收敛的根本原因 6. 项目中具体使用的推荐模型架构，以及如何通过SID特征提升广告推荐效果 7. 面试包含AICoding实操，需要本地导入文件、编写指令、运行出结果并提交展示 8. 手撕算法：数组第K大元素，禁止使用堆结构，要求用快速选择实现并讲解思路 9. 面试官介绍团队业务，主要做电商广告精排模型，实习生侧重模型建模与实验迭代 二面 1. 做完整自我介绍，重点突出算法项目与工程落地经历 2. 详细阐述百度实习内容、负责模块、模型优化细节 3. 针对模型训练过程提问loss收敛、调优、迭代相关问题 4. 手写pair-wise hinge loss伪代码，并说明核心逻辑 5. 讲解pointwise、pairwise、listwise三种排序方式的区别与适用场景 6. 分别说明三种排序范式对应的常用损失函数 7. 简要介绍MinioneRec整体项目架构与核心创新 8. 详细讲解RQVAE模型基本原理 9. RQVAE训练中如何解决量化离散问题、保证梯度正常传导 10. 介绍RQVAE参数量、码本数量、组合规则及新增token设计 11. 说明RQVAE如何通过解码过程生成SID表征 12. 对比SFT和GRPO在训练监督信号上的核心差异 13. 详细说明GRPO奖励函数的设计思路、正负样本判定逻辑 14. 一道零钱兑换相关DP变式题