字节跳动 · 剪映

推荐算法一面、二面面经

完整信息

16 条问法 · 21 道题

本篇目录

#互联网大厂# #算法# #算法岗面经# #大模型# #发面经攒人品#

配图文字

一面

  1. 你项目里做过的几个优化方向,哪些最终拿到了线上正向收益?
  2. 部分策略离线指标有提升,但没达到全量上线标准,你有没有复盘过具体原因?
  3. 在生成式推荐场景中,召回、命中率这两个指标的实际业务含义是什么?
  4. 项目中把多层语义ID改成单层的原因是什么?做均值初始化之后,参数在训练过程中是否会继续更新?
  5. 对大模型知识蒸馏的理解,如何把大模型的世界知识迁移、蒸馏到小模型中?
  6. 离线全量推理的统计口径你是怎么定义的?推理回流的用户数据,后续是如何处理、如何用于迭代优化的?
  7. 手撕算法:顺时针螺旋打印矩阵

二面

  1. 你项目中多路召回之间是否相互独立?会不会存在重叠、互相影响的情况?
  2. 其中单路召回相比其余几路,核心增益来源具体在哪?线上baseline是否已经包含所有召回链路?
  3. 策略只针对长序列用户筛选生效,为什么不做全量用户覆盖?这么做是为了节省资源,还是为了保证整体效果?
  4. 如果把短序列用户纳入训练,会不会反过来损害长序列用户的效果?这路策略有没有改成实时召回的可行性?
  5. 你训练序列模型使用的具体Loss是什么?当前这套Loss,对于召回任务是否是全局最优?
  6. 项目中正样本的定义标准是什么?能不能直接把Top100命中率作为优化Loss直接训练?为什么行/不行?
  7. 手撕算法:不重叠两个子数组的最大和
  8. 开放性压轴题:如果只通过改动Loss来提升整体召回效果,你会如何重新设计?
  9. 聊了我项目中搭建的Agent工具:实际解决了哪些业务问题?有没有出现过Agent自主发现、我本人没有察觉的问题?
本篇目录
  1. 01
  2. 02
  3. 03
  4. 04
  5. 05
  6. 06
  7. 07
  8. 08
  9. 09
  10. 10
    策略只针对长序列用户筛选生效,为什么不做全量用户覆盖?这么做是为了节省资源,还是为了保证整体效果?
  11. 11
  12. 12
  13. 13
  14. 14
  15. 15
  16. 16

同作者面经

展开其余 46 篇收起其余 46 篇

相关公司