快手校招推荐算法面经分享

发一下面经供大家参考，有面过同岗位的欢迎评论区交流
1. 请简述推荐系统的主要模块（如召回、粗排、精排、重排）及其各自的目标。
2. YouTube DNN、DIN、DeepFM这些模型你了解吗？请选一个简述其核心思想，并说明它解决了什么问题。
3. 如果快手“发现页”的推荐结果，用户点击率很高但观看时长很短，你认为可能是什么原因？你会从哪些方向去优化模型？（追问：在优化过程中，如何设计实验（比如A/B测试）来验证你的优化策略是有效的？）
4. 如何理解“探索与利用”（Exploration & Exploitation）困境？在推荐系统中有什么常见的解决思路？
5. 在构建推荐模型的特征工程中，对于“用户兴趣”这种动态变化的信息，你会如何设计和处理特征？
6. 推荐场景中经常遇到数据稀疏和冷启动问题。针对一个新发布的短视频或一个新注册的用户，你有什么策略？
7. 除了优化线上指标，你认为离线评估推荐模型好坏，应该关注哪些评估指标？为什么？
8. 请描述一个你课程或项目中与推荐相关的实践，并说明你的技术选型和思考过程。
9. 你平时会使用快手吗？从推荐算法的角度，你观察到哪些有趣的现象或有待改进的点？