《推荐算法工程师》专题

推荐算法是非常古老的，在机器学习还没有兴起的时候就有需求和应用了。概括来说，可以分为以下5种： 1）基于内容的推荐：这一类一般依赖于自然语言处理NLP的一些知识，通过挖掘文本的TF-IDF特征向量，来得到用户的偏好，进而做推荐。这类推荐算法可以找到用户独特的小众喜好，而且还有较好的解释性。这一类由于需要NLP的基础，本文就不多讲，在后面专门讲NLP的时候再讨论。 2）协调过滤推荐：本文后面要专门讲

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

推荐系统并不是新鲜的事物，在很久之前就存在，但是推荐系统真正进入人们的视野，并且作为一个重要的模块存在于各个互联网公司，还是近几年的事情。 随着互联网的深入发展，越来越多的信息在互联网上传播，产生了严重的信息过载。如果不采用一定的手段，用户很难从如此多的信息流中找到对自己有价值的信息。 解决信息过载有几种手段：一种是搜索，当用户有了明确的信息需求意图后，将意图转换为几个简短的词或者短语的组合（即q

自我介绍 简单介绍一下这个推荐项目 用户数据量和内容数据量，总共有多少特征，具体是大概有哪些特征，用户行为序列用到了吗？ 一个特征有多个值的情况是怎么处理的？ 有做特征选择吗？训练数据量多大？多路召回怎么做的？多路召回有几路？多路召回是怎么融合的？ 有做粗排吗？ 召回的离线指标和线上指标大概是什么情况？ 用户的冷启动是怎么做的？ 介绍一下 GrapSAGE，word2vec, deepwalk,

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

这篇文章本来是要写推荐系统从0-1该如何做，但是发现牛客网上大家更关心的是面试的经验。所以这篇文章就写我做面试官的经验吧。 自我介绍篇（前面一篇文章，已经自我介绍过了，再啰嗦一下）： 我09年在上交读的计算机方向，13年毕业，大四的时候花了4个月时间复习考研，跨考了本校的应用经济学方向，然后又读了3年，16年毕业。 之所以读经济学，是因为那时候听说搞金融的钱多；结果15年股市泡沫破了之后，就没打算

9月，一面即挂，女面试官 主要围绕实习和论文， ndcg指标， mrr指标 adam优化器 deepfm 较wide& Deep 的升级，问除了lr替换成fm还有什么 mmoe、essm、ple、star 吟唱 谈谈attention dssm缺点以及解决方案 bagging ， boosting 手撕1：两个字符串的最长公共子序列， 秒 手撕2：返回 array1和array2 中两个长度相同的

1.hr问题 问了最大的挑战，喜欢什么样的leader，觉得国外和国内上学的区别，性格怎么样，周围人怎么评价你，有没有女朋友，女朋友怎么评价你，反正问了一堆性格，以及什么时候可以来 2.反问 组里氛围，转正策略，公司福利 第一次全部面完，开泡！ hr说四月上统一发offer

自我介绍 对推荐系统的了解：背景，前景，架构，方法 项目拷打：特征构建，模型选择，评价指标 论文拷打：背景，模型，评价指标 八股（都是从项目和论文中找的点）：SVM原理及其推导，LR原理及其推导，XGBoost原理及其推导，XGBoost处理缺失值的方法，模型过拟合的处理方法， 手写：数组中前k个最小的数（类快排）

一面： 实习经历，项目经历 感觉科研经历比较多，介意做业务吗 算法：合并两个有序数组 二面： 实习经历，项目经历 推荐常用的多目标模型 AUC如何计算，推荐模型的评价指标有哪些 场景设计：瑞幸咖啡原价20元一杯，成本5元，设置动态定价的策略和算法，使利润最大(考虑用户接受度，季节偏差，是否举办活动) 算法题：AUC计算

自我介绍 实习经历详细介绍，讲了快30分钟 算法题：字符子串最大不重复字母数之和，手撕MLP 问了对于推荐算法的了解，我一无所知

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，

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