快手推荐算法实习一面 面麻了

项目深挖 1. GELU、Swish、SwiGLU 激活函数公式与作用2. Transformer / Self-Attention 原理，QKV 怎么来、怎么算3. 注意力机制在推荐序列模型中的作用4. 行为序列建模：为什么要做自注意力5. AUC / GAUC 含义、计算方式、在推荐中的意义。6. 过拟合解决方法（除正则外）7. 数据倾斜是什么？Code（手撕代码）题目：最大子数组和（最大连续子序列和

感觉好难啊...整理下面经攒攒人品1. 了解多任务建模吗？比如MMOE？2. 如何解决极化问题？3. MMOE中，5个专家、2个任务，门控输出维度是多少？4. 手写CTR预估模型的最后一层网络结构及对应的损失函数5. 推导上述损失函数的梯度6. 行为序列建模的主流方案有哪些Code1. 找缺失数字（要求O(n)时间、O(1)空间）：1～n连续数字中只缺一个，找到该数字2. 找缺失数字：1~n连续数字缺两个，找出这两个数字3. 手搓交叉熵4. 手搓梯度下降

感觉面的还可以，发下问题给大家参考，有面试过同岗的朋友欢迎评论区交流1、召回在整个推荐链路中的作用和必要性？2、多路召回融合的动态权重设计，手动还是自适应调整？3、规则召回是怎么做的，用到哪些规则？4、cf的召回过程？5、swing与cf的区别，这两者存在什么弊端6、怎么实现u-u-i的召回？7、多目标排序算法有了解吗？讲一下MMoE8、序列建模有了解吗？Code:最长递增子序列

很多人问我如何准备大模型的面试，分享下我的经验，针对两种情况：1. 有大模型实习2. 无大模型实习针对无大模型实习的情况，我建议先找一段中厂实习为主，比如 zhipu、Minimax （当然有大厂进大厂）这些，相对容易进，尽量积累大模型实习经历。针对有大模型实习的情况，复习内容为：1. 常规八股（transformer、bert 等）2. 最新八股（GQA 等）3. 技术报告（一定要自己看原PDF，目前推荐 DeepSeekV3, R1, kimi1.5, Minimax-01, Qwen2.5, Qwen2.5-VL）4. 手撕 Leetcode：Hot1005. 手撕模型，比如 MHA 这些首先是常规八股和最新八股，这一部分可以自己找找网上资料，整理好的，背。然后是技术报告，目前推荐的内容有：1. DeepSeekV3：必读2. DeepSeekR1：必读3. Kimi1.5：选读4. Minimax-01：选读，据我所知最长上下文模型（外推到 4M，不过好像被 LLama4 的 10M 超过了）5. Qwen2.5：必读6. LLama3.1：必读7. Qwen2.5-VL（如果简历有多模态内容）：选读重点关注：1. 阶段训练（预训练几段、Post-training 几段？上下文用了多少？数据配比是什么？）2. 模型创新点（MHA 创新是什么？作用是什么？）3. 上下文优化创新点（一般是优化显存和阶段训练）4. 多模态优化创新点（简历有多模态内容）5. 几个模型不同之处（比如 Qwen2 和 Qwen2.5 的不同之处）最后是手撕，Leetcode 只刷 Hot100 够了，模型手撕建议关注（我目前会的）：1. MHA2. LayerNorm3. Transformer Encoder (MHA+LayerNorm+FFN)4. PE（绝对位置编码）5. ROPE6. SwiGLU7. RmsNorm每次面试前快速过一遍就 ok 了。