网易算法面试

网易推荐算法面试经历

一面（50分钟）

- 除了Dropout和L1/L2正则化，你还知道哪些防止过拟合的技术（如早停、数据增强、批量归一化）？请分别说明其原理和适用场景。

- 为什么说Dropout在推理时需要对权重进行缩放（Inverted Dropout）？它和标准的Dropout在实现上有什么区别？这样做有什么好处？

- Transformer中的位置编码（Positional Encoding）有什么作用？你了解哪几种实现方式（如绝对位置编码、相对位置编码）？它们各自有什么优缺点？

- Self-Attention和传统的RNN/CNN在处理序列数据时各有什么优势和劣势？在什么场景下你会优先选择Transformer架构？

- 请从贝叶斯先验或几何角度解释L1和L2正则化为什么能防止过拟合，以及为什么L1正则化倾向于产生稀疏解？

- 请详细比较GBDT、XGBoost和LightGBM在实现上的核心差异点，例如树的生长策略、特征分裂算法、并行化处理等。

- 请设计一个电商首页的Feed流推荐系统，从召回、粗排、精排到重排，说明每个环节的目标、可选用的模型以及评估指标。

- 在你做过的推荐项目中，你是如何处理冷启动问题的（用户冷启动/物品冷启动）？请列举几种方案并分析其优缺点。

- 在多目标学习（Multi-Task Learning）的精排模型中，你是如何处理不同目标（如点击率、转化率、观看时长）之间的冲突和关联的？（如MMoE、PLE）

- 核心代码模式算法题：反转字符串

- 请用伪代码或Pytorch/Tensorflow描述如何实现一个双塔召回模型，并说明其损失函数（如in-batch softmax）。

二面（30分钟）

- 深入剖析项目与实习经历

- 如果在线上发现模型的CTR远低于离线评估的AUC，你会从哪些方面去排查问题？

- 对比DeepFM和DCN V2模型，它们在处理特征交叉上各有什么特点和创新？

- 请解释SQL中窗口函数（Window Function）的作用，并举例说明 `ROW_NUMBER()`, `RANK()`, `DENSE_RANK()` 的区别。

- 在Spark中，你是如何处理数据倾斜问题的？请列举至少两种方法并说明其原理。

HR面（30分钟）

- 详细了解实习工作内容

- 进行常规性格与职业规划交流

结果：一个工作日后收到offer