百度推荐算法一面-日常实习

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目拷打2.实习拷打3.项目数据口径怎么算的，统计了多少数据4.如何判断你的模型已经训练到置信了5.为什么损失函数会在降低之后升高6.为什么偏偏在这个时候降到最低7.模型参数量是多少

1、RAG 里的幻觉怎么解决？RAG 幻觉一般来自三种情况：没有召回到正确证据、召回到了但排序不对、证据足够但模型还是自己补。解决也要对应分层。第一层是提高文档质量和召回质量，比如切片更合理、用混合检索、做 query rewrite、加 metadata 过滤。第二层是重排层，用 rerank 模型让最相关证据排前面。第三层是生成层，要让模型严格基于证据回答，证据不足就拒答，不允许自由扩写。如果从更抽象的角度看，幻觉问题本质上是“系统回答倾向强于证据约束”。所以真正要解决的是：让系统在信息不足时学会克制，而不是为了流畅性硬编一个完整答案。2、LoRA 微调原理LoRA 是 Low-Rank ...

攒人品中，祝大家都能拿到满意的Offer！1.项目模型的损失函数具体是什么2.Recall@5/10具体含义3.新模型了解哪些4.交叉熵的具体公式5.反向传播原理6.算交叉熵关于logit的梯度7.transformer encoder8.多头注意力多头的区别，输入有区别吗9.为什么用qkv不是向量自己做内积10.手撕:按字符出现频率降序排序，频率相等时按字符字典序升序排序。torch实现池化升维降维

发一下问题给大家参考，攒攒人品！有面试过同岗的朋友欢迎评论区交流实习项目拷打1. BN介绍一下？它的优缺点？什么时候用BN的效果不好？2.  交叉熵损失函数？为什么分类问题用交叉熵而不用MSE？3. RF和GBDT的区别？4. 梯度爆炸问题有什么解决方式？