《推荐算法》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

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,

由于本身是做cv的，没有任何推荐算法经验，因此本篇内容对于找推荐算法意义不大，纯粹记录一下 1. 自我介绍，然后介绍完面试官问我知不知道面的是推荐算法😅，不过这也是他们看的简历没挂我简历就是他们的问题😄 2.是否知道cv在推荐搜索当中的一些应用？ 3.项目介绍，t2i和inpainting模型分别解决什么问题，为什么要级联 4.做的主要是微调的任务，微调过程当中有些什么trick？以及背后的原

共计35min 1、自我介绍 2、介绍一下实习？ 大模型微调的样本量大概是多少？ 详细介绍推荐算法实习的背景和思路？ 3、学习经历 本科学过什么课？编程相关的？运筹优化相关的？实验室研究方向是啥？ 4、八股 大模型和推荐结合的地方有什么？想做大模型还是推荐？ 对推荐系统的哪些地方感兴趣？了不了解召回？有哪些算法？了不了解排序？有哪些算法？介绍一下SENET？用户冷启动怎么做？ 推荐系统物品点击率的

自我介绍 对推荐算法了解如何 项目深挖 两个项目都是kaggle上的，面试官还吐槽怎么全是kaggle（这不是非科班没有项目只能硬整两个么） 打比赛模型大家都差不多，如何进行提升 介绍一下transfermer 手写一下transfermer的自注意力的公式 求数组中第k大的数（写了个nlogn的归并，经面试官提醒发现可以用快排写o(n)，但是快排忘了） 反问 面试了一个小时，体验还行，面试官看我

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）

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