美团搜推算法日常实习一面 1h

发一下问题给大家参考，攒攒人品！1. 实习拷打2. 项目深挖3.推荐业务目前的优化目标是什么？4.多场景建模具体指什么？不同场景下用户行为有什么差异？5.这些场景是分开建模还是统一建模？特征或网络层面有没有做场景区分？6.如果特征落盘时刻上下文发生变化，是否会造成线上线下不一致？7.能描述一下从用户请求、模型训练到在线serving的完整流程吗？样本落盘机制是怎样的？8.离在线链路是分离的还是统一的？流式样本和离线样本分别如何使用？9.介绍一下RankMixer的结构原理。它与MLP、Transformer或DIN相比，核心区别和优势是什么？10.如果拓展token数量，具体如何实现？为什么token机制能实现特征的自动深度交叉？11.场景特征是直接拼接embedding，还是有独立的场景block？独立使用还是全局共享？12.如何判定模型优化效果是正向还是负向？评估方式是什么？13.所有场景样本是一起训练还是分开训练？指标是看全局还是分场景？14.超长序列建模的长度是多少？具体实现方案是什么？15.多尺度注意力指的是什么？与全序列原生attention相比有何区别？16.不同时间段的序列输出如何融合？如何平衡每个时期兴趣的权重？有没有自适应机制？

大学生活的时间没有持续很长。湖北武汉的大学朋友大学三年级的时候问过我一个问题 “开车回家过年”。开车回家过年 怎么设计一个实体类。当时没有多想面向对象的OOP design 。大学二年级的时候回老家过暑假的时候也尝试看我堆数据库的连接情况是否了解。电子图书馆的成功设计就可以顺利毕业。蹲在老家的那一年坚持看他大学二年级给的企业老板的JavaEE教学录屏。学校教师教学方式和大学外面的工作方式有很大的差距。  坚持练习计算机技术的书籍课程源代码是很好的编程学习方式。时间长久才会可以看懂企业Java EE的一些工作代码的实现方式。自信与经验相辅相成。Practise Java source code ...

实习项目 1：你认为实习中出彩的地方？2：数据量，优化前后接口时长对比3：in走不走索引？4：filesort是什么含义5：为什么要使用RocketMQ，我直接RPC调用不行吗6：为什么用RocketMQ，没用kafka7：RockerMQ能保证有且只有一次消费一条消息吗，幂等性8：RocketMQ想增加它的吞吐量有什么办法，并行消费9：RAG怎么做的，文档怎么处理的，怎么分块的，向量模型10：Skills和MCP的区别八股场景1：redis持久化2：他们尽可能保证多长时间数据不会被丢失，有没有一个范围3：它本身是单线程还是多线程4：备份的话，也是单线程吗5：设计一个排行榜，用户非常多，怎么设计6：一个文件里有百亿个数据，内存放不下去，想找出最大的10个应该怎么找7：线程池拒绝策略。使用场景8：MySQL事务二阶段提交9：langchain的 LCEL 是什么算法字符串中不重复最大子串

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...