《推荐算法工程师》专题

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）

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

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

1.transformer 2.自注意力机制，自注意力机制的起作用的地方 3.BN，LN 4.梯度消失与爆炸的理解 5.论文讲解 6.transformer的位置编码 7.focal loss 8.模型怎么评价好坏 9.自注意力机制的参数量计算 10.编写代码：topk，用了堆排序，快排都写了

最近面试少了， 精力放在工作上。 偶尔面试保持手感即可。 今天这个学习意义比较大就记录一下。 面试本身没啥特殊的，就是项目+八股+代码。 项目问了我的蚂蚁实习， DeepFM 相关的东西和大模型相关的东西。 所以问了一些八股 1.DEEPFM 介绍一下（聊了一些） 2. 还了解别的推荐的模型吗（不了解） 3. LLAMA 和别的模型架构有啥区别？ 4. Llama 用的是什么 norm 和激活函数

回馈一下牛油们——— Bg 陆本英本2+2，英硕top2， 均科班，两篇论文，无相关实习 Timeline: 4.12 投递 4.17 一面 1. 自我介绍+细讲项目 2. 八股 1）介绍一下Transformer的结构 2）Transformer的缺点？ 3）为什么需要/sqrt(dk) 4）讲一下Diffusion中的DDPM模型 5) Diffusion 和 GAN各有什么特点？为什么Dif

自我介绍之后，还问了实验室和导师是谁，是不是博导()。 觉得我项目和岗位没什么匹配度(在实验室主要做CV的)，就只问了一段实习。(好详细啊) 下面问了好多八股题： 1.BERT详解 2. 借口任务是什么意思 3.为什么自注意力要除以根号dk 4.编码器和解码器是什么关系 4.1 Transformer中编码和解码的作用 5.推荐系统中大模型的应用 6.BERT在做分类、命名实体识别、句子相似度任务

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

问了几分钟论文，出了一道零钱a了 加上自我介绍二十分钟不到面完 过了一周 今天发消息说进人才库了 包kpi的😅

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

很快啊，前脚面试完快手，后脚京东就来了 1.code 经典dp，左上走到右下最小开销，一次成功！ 2.业务 问了具体怎么做的，比如如何构建正负样本，模型预测的是什么 3.无八股 稍微问了问细节怎么实现的，也全都回答上来了，已经被挂麻了，给个机会吧