腾讯推荐算法一面

1. 广告业务场景题：

a. 在广告排序时，我们既要考虑点击率（pCTR），也要考虑转化率（pCVR）。如果让你来设计线上排序的融合公式，你会简单地把它们加权相加，还是用 `pCTR * pCVR` 这种形式？这两种方式各有什么优缺点？

b. 训练一个同时预测点击和转化的多任务模型时，如果直接把两个任务的loss加起来，模型可能会只学好简单的点击任务，而忽略了转化任务。你会用什么方法来平衡这两个loss，让模型“雨露均沾”？

c. 像MMoE这样的多任务模型，号称能解决任务冲突的问题。你能用大白话解释一下，它是怎么用所谓的“专家网络”来做到这一点的吗？

d. 有时我们优化模型后，发现高热度内容的推荐效果变好了，但长尾内容的效果却变差了，这就是“跷跷板问题”。你觉得导致这个问题的原因是什么？有什么办法可以缓解它吗？

2. 模型基础知识：

a. Batch Normalization (BN) 和 Layer Normalization (LN) 都是归一化方法，我们应该怎么选？比如在做图片处理的CNN和处理文本的Transformer里，通常会分别用哪个？为什么？

b. BN在训练和测试时的行为为什么不一样？它在训练时计算的那些均值和方差，到测试的时候是怎么用的？

c. Adam是现在最常用的优化器之一。它为什么比传统的SGD要好用？它在调整学习率的时候，综合了哪两种思想？

d. AUC是衡量分类模型好坏的常用指标。你能直观地解释一下AUC值代表了什么吗？如果我们现在做的是一个回归任务（比如预测视频的播放时长），还能用AUC来评估模型的排序好坏吗？如果可以，要怎么做？

3. 核心代码模式算法题：二叉树的中序遍历