《推荐算法实习》专题

听说写面经可以多拿offer 小红书一共是三轮技术面+HRBP面，整个面试体验很好，官网投完简历两天就面试了，结果出的也很快，几轮的面试官人都很nice。 一面，一小时左右： 首先是做自我介绍，这个可以提前准备一下 介绍简历中写的论文，讲的过程中面试官会提一些问题，问的蛮中肯的，也提了一些建议，沟通很愉快。会问下做的东西在工业界有没有一些应用场景，可以发散的聊一聊 问了下之前在美团实习主要是做些什

前两个流程都被结束了，然后被腾讯视频捞了，之前的面经马上到达字数限制了，所以新开一文记录。 一面时间：4月17日 16:00 ~ 17:00 上来先是做了一下自我介绍 然后开始问实习的项目，让详细的讲，期间就夹杂着八股。 使用的什么loss函数，除了交叉熵损失函数还了解哪些损失函数。 项目过程中有没有遇到过过拟合的问题，什么原因造成的，什么办法解决。 为什么L1和L2正则化能够缓解过拟合的问题。

本文向大家介绍PHP面试常用算法(推荐)，包括了PHP面试常用算法(推荐)的使用技巧和注意事项，需要的朋友参考一下 一、冒泡排序 基本思想： 对需要排序的数组从后往前（逆序）进行多遍的扫描，当发现相邻的两个数值的次序与排序要求的规则不一致时，就将这两个数值进行交换。这样比较小（大）的数值就将逐渐从后面向前面移动。 //冒泡排序 二、快速排序 基本思想： 在数组中挑出一个元素（多为第一个）作为标尺，

【boss直聘 hrbp面】 部门：商推 事件：五面终面hr，一个白皙的美女hr，挺好的 时间：20min 内容： 主要就是聊天，问问实习情况，春招情况；主要了解户口，因为我没有在境外停留360天以上，所以hr告诉我留学生和应届通道都没办法给我落户（what？我不算应届生吗，不过查了一下确实两个通道都走不了了，有留学落户意愿的同学注意下）；问我感觉boss面试官如何（高效、好沟通）；问我想在bos

在Spark MLlib中，推荐算法这块只实现了基于矩阵分解的协同过滤推荐算法。而基于的算法是FunkSVD算法，即将m个用户和n个物品对应的评分矩阵M分解为两个低维的矩阵：$$M_{m times n}=P_{m times k}^TQ_{k times n}$$ 其中k为分解成低维的维数，一般远比m和n小。如果大家对FunkSVD算法不熟悉，可以复习对应的原理篇。 2. Spark推荐算法类库

SimRank是基于图论的，如果用于推荐算法，则它假设用户和物品在空间中形成了一张图。而这张图是一个二部图。所谓二部图就是图中的节点可以分成两个子集，而图中任意一条边的两个端点分别来源于这两个子集。一个二部图的例子如下图。从图中也可以看出，二部图的子集内部没有边连接。对于我们的推荐算法中的SimRank，则二部图中的两个子集可以是用户子集和物品子集。而用户和物品之间的一些评分数据则构成了我们的二部

推荐算法优化试验 推荐算法和AppAdhoc A/B Testing 许多网站或APP都涉及到推荐系统，比如电商产品会涉及在结算月推荐“购买了此商品房的用户也购买了…”，比如新闻资讯类的首页动态推荐Feed流，影视和音乐类的产品会在最显著的地方有推荐板块等等。。。 无论是基于内容，基于协同过滤，或是基于标签的算法模型，都会面临同样的问题：如何衡量算法模型的好坏？很多时候，只能凭感觉，实际效果往往差

一面时间：3月25日11:00 ～ 11:50 自我介绍 聊实习经历，根据实习经历问了几道八股： 简单介绍attention机制 有什么和self-attention不一样的注意力机制了解过吗 为什么要使用多头注意力 然后问了一些推荐场景的业务问题，结合自己的经历聊 最后算法题：3. 无重复字符的最长子串 面试官人很好，也没有问什么刁难的题，最后反问环节问了还有什么需要加强的也给我指导了许多，面试

1.项目 介绍了一下快手实习，很深入探讨 2.code 隐马尔可夫模型，牛逼我只能说 给定PI，Q，P矩阵，玩N次游戏，求N次游戏得到的R的概率 刚开始说了个暴力解，然后在面试官提醒下，弄出来个DP算法，非常考验数学和DP的理解 3.八股 Adam的公式，额外的开销 AUC定义，AUC如何计算，如何优化 介绍一下self-attention 面试有点狠，面试官非常温和的问了一些不得了的问题，许愿三

1.项目 问了一下快手的工作 2.八股 介绍一下MMOE，极化现象知道吗，如何解决 L1和L2的区别 介绍一下bn 过拟合还有什么其他方法 3.code 最大子数组和 链表交替打印 4.反问 业务是图文推荐，据说老板很重视，冲冲冲

一面 八股拷打，不再赘述：过拟合，transformer等 手撕（web IDE） 对称的二叉树 lc原题 二面 1. 如果现在数据量特别大，并发量特别高，你有什么好的办法能够提高用户的体验 2. 如果现在有一些数据给到你让你去拿给标注人员标注，你怎么样发挥他的最大价值 3. 熵的计算公式 手撕（web IDE） 1. 不同路径 lc原题 2. 给一堆树的高度，问砍的次数，二分答案 HR面 聊天

#美团暑期##推荐算法面经# 第一次笔试（机试）213/500 第二次笔试（机试）390/500 100+100+100+80+10 # 一面 -时间：2024年3月26日 11：00，总计58分钟 -自我介绍 -论文 -本科推荐系统项目 -职责 -开发人数 -召回用了什么算法 -个性化和非个性化 -召回怎么做融合的 -排序用了什么算法 -介绍DeepFM的FM侧怎么做的特征交叉 -图片的推荐需要

时间：4月12日11:00～11:50 先是确认了一下，做的是cv，为什么投推荐算法岗。 然后是自我介绍。 自我介绍完选择一个自己最拿手的项目进行讲解，期间问了问细节。 然后问基础知识： BatchNorm和LayerNorm的区别，为什么cv当中用BN而nlp当中用LN，具体的计算方式。 L1和L2的区别，为什么计算L1容易导致稀疏矩阵而L2不容易导致稀疏矩阵，这两个求导分别是什么。 auc的含

7.12 一面通过，一面面试体验良好 当天下午hr通知二面 约了7.14的二面 7.14下午三点二面，面试官迟到，与hr沟通后进入会议室开始面试 一上来问了我很多与推荐算法无关的东西（是真不会啊） 问了和开发相关的，什么是推排序，怎么实现， 一个场景题，给你一个不知道长度的链表，怎样等概率的抽取50个数据。。。。。。 就是不问机器学习的相关知识，当场kpi面试官，直接摆烂 之后，问了论文和项目，说

一上来自我介绍 然后立刻写代码 手撕LRU，不能用list 之前没刷到过，现场思考的，思路对但时间没了。 没想到也不问简历，也不问机器学习，直接结束面试了。 这是否有点没有人文关怀了。