推荐算法一面、二面面经
完整信息
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
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 手撕算法:顺时针螺旋打印矩阵
二面
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 手撕算法:不重叠两个子数组的最大和
- 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?
- 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
当前问题0116
- 01
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?
- 02
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?
- 03
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?
- 04
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?
- 05
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?
- 06
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?
- 07
手撕算法:顺时针螺旋打印矩阵
- 08
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?
- 09
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?
- 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
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?
- 12
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?
- 13
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?
- 14
手撕算法:不重叠两个子数组的最大和
- 15
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?
- 16
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?
