美团校招推荐算法三面（攒人品

继续来分享下之前的面经~欢迎友好讨论，信息共享
1. 对比Wide & Deep和DeepFM，为什么DeepFM能自动学习特征交叉？
2. 对比Dropout和Weight Decay，分别如何防止过拟合？
3. 推荐模型中，如何解决Embedding层稀疏特征带来的内存问题？（Hash Trick、Embedding压缩）
4. 对比Point-wise、Pair-wise、List-wise排序损失函数，各自的优缺点？
5. 如何优化推荐模型的推理速度？（模型蒸馏、量化、缓存策略）
6. 如何设计一个短视频推荐系统？（召回->粗排->精排->重排）
7. 如何解决推荐系统的“信息茧房”问题？（探索与利用策略，如UCB、Thompson Sampling）
8. 对比ItemCF和UserCF，各自的适用场景？
9. 如何评估推荐系统的长期效果？（用户留存、活跃度、多样性）
10. 推荐系统如何应对数据分布偏移？（Online Learning、增量学习）
11. 搜索旋转排序数组（二分查找变种）
12. 全排列（回溯）
13. 手写一个简单的Attention计算