爱奇艺推荐算法实习一面凉经

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1.赛题的完整背景和流程是什么?为什么不直接排序还要进行召回呢?2.最终评估指标是什么?具体是怎么实现的3.ltemCF的基线实现方法是怎样的?你做了哪些优化?4.多路召回是怎么融合的?具体融合方法是什么?5.Min-Max归一化的潜在问题?(如果某路召回的得分方差很小(区分度低)，归一化后可能放大其影响)6.BienNework的工作原理是什么?它的公式物理含义是什么，为什么这么设计?7.介绍Faiss的原理?8.Word2Vec的损失函数是什么?负采样是怎么做的?9.LightGBM如何处理离散特征和连续特征?10.为什么要用一阶梯度和二阶梯度来计算分裂?11.最终损失函数是什么?交叉熵损失函数的公式是什么，能从信息论或极大似然的角度推导一下吗?手撕:encoder和decoder

被横向挂了，希望发出来对大家有帮助！1.怎么理解itemCF的相似度2.itemCF这里引入的正向和反向权重是什么意思3.三种召回的各自的优势和区别，为什么用这三路召回4.为什么itemCF权重是1，binetwork权重是1，word2vec权重是0.15.为什么word2vec的召回效果不好6.讲一下特征工程7.为什么选树模型，为什么选lightGBM,为什么不选深度学习模型8.树模型和深度学习模型在模型和特征上有什么区别，他们分别适合什么情况下使用，为什么9.多头注意力机制是什么，有什么用，为什么不同的头可以学到不同的东西10.你还了解其他的生成式推荐的架构吗，这里为什么要选HSTU11.为什么要用生成式推荐模型去解决这个问题12.还了解什么深度学习模型用于推荐系统13.这个infoNCEloss的引|入解决了什么问题14.InfoNCEloss的温度调大调小有什么影响15.transformer的核心思想16.为什么要除以根号下dk17.MMOE和PLE是为了解决什么问题以及怎么解决的

1.项目拷打2.Transformer的架构相关的问题哪个组件带来了模型的非线性？为什么除以根号d?Softmax的性质，正无穷/负无穷的时候呈现什么样的性质多头注意力的时间复杂度是？GQA的原理是啥？对哪些进行分组了解哪些位置编码?ROPE了解过吗移除掉FFN结构，会有什么问题？对于 rating 机制输出的结果是升维还是降维？3.机器学习/搜广推类3.1负样本比例可能超过 1: 1, 000，就是我曝光 1, 000 次，他可能只有一次购买，那针对这种正负样本不平衡的问题，你觉得可以从哪些方面去优化？3.2用什么指标去评估你的在线离线训练效果呢？是否点击的二分类场景3.3逻辑回归的模型，我如果给我的所有的模型初始化都是按 0 初始化的。你觉得会有问题吗？如果有会是什么问题3.4L1 正则和 L2 正则的区别是什么？3.5二分类的问题里面，为什么不使用 MSE loss 去训，而使用 CE loss 去训？>😥谢谢你，让我知道了我我一点也不会。我马上去学。再也不和🦞过多的聊天了😭

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1. 推荐场景多是ID类特征，如何结合大模型做2. 介绍下mmoe3. 模型优化中一共几个expert，3个expert，每个任务加expert，expert之间有交互吗，是否做过消融实验4. 选择特征是在bottom部分还是在expert的部分，每个任务的bottom部分相同吗5. 模型的样本量多少？6. 原始样本数据的正负样本比例，处理后的呢？7. 正负样本比例差别大的话如何处理，纠偏怎么做？8. 模型训练是单机训练吗9. 模型新增预估目标，模型的预估是什么？10. AUC的含义，计算方法，分子分母11. 介绍一下Adam优化器，一阶和二阶是如何设计的12. 手撕逆序对，用归并排序