面经| 推荐算法岗(字节) 「新鲜出炉」的字节面经来咯! 接住! 一面(60分钟) 1、问做过的项目,主要是为冷用户推荐冷资源的场景。 2、esmm结构简述 解决什么问题 怎么解决 为什么这样可以解决esmm两个塔的区别和联系 3、dssm 在这个项目的场景下起的作用(用户冷启动) 为什么效果不好(多样性有问题,用户行为少模...
user和item协同过滤各有什么适合的场景?(我答:在item增长特别快的场景,如新闻推荐,用user协同过滤更好;反之亦然。面试官提示从冷启动方面想,即当user冷启的时候用item协同过滤更好) —— 面完20分钟收到三面通知,约了8.2🍀许愿过过过!!🎋 感觉字节的面试官很好很温柔,一面面试官很像去年实习时候的mentor...
字节国际电商推荐算法(暑期实习)面经 牛客上的好哥哥帮我内推的岗位,主要是做tiktok首页推荐的。1.上来先简单聊了一下项目,(顺便问了我非科班出身在哪学的深度学习,我说自己看网课学的哈哈)主要是关于项目的整体实现流程,拢共半小时不到。2.因为中间提到了bert,就让我开始讲bert和transformer,然后手撕单头注意力3...
算法题: 简单题, 二叉树, 每个节点有一个值, 求出二叉树从根出发的所有路径的和. 总体来说, 一面考核的是思想层面, 比如考核面对大数据如何增量训练, 面对多指标如何多任务学习, 从离线实验到部署上线的流程, 线上测试需要关注的信息, 模型选择的依据等. ...
还有实习经历中的一些场景的思考。 上面的问项目中间夹杂对应八股的部分大约半个小时 然后就是算法题,做了一道,leetcode原题 300. 最长递增子序列 最后写完了就是反问环节,不知道结果如何,等等后续通知吧 ---3月25日更新 流程一周没有更新之后,终于是进人才库了,接着投吧...
更新,拿到Data-抖音 算法工程师的意向书了,来给大家发一下面经。 字节抖音推荐: 一二面 介绍之前在字节日常实习做的项目 算法:1. 给定字符矩阵,单词,判断矩阵里有没有该一条路径组成该单词 2. 实现k-means CART树,n个数据d维特征,不剪枝,复杂度是?O(N*M*D), N是sample的大小,M是feature的数量,D是...
字节跳动推荐算法一面面经 L1 和 L2 正则化的区别?它们都能防止过拟合吗? 写出Cross entropy的公式,并解释推导过程。(我先从KL散度的角度回答,面试官提示从最大似然的角度回答,并问是否与贝叶斯有关) 解释dropout的作用,训练和测试阶段是否有区别,如何解决dropout预估偏高的问题?
算法题:求从左上角到右下角的最小开销。给定一个二维数组arr[i][j],数组中每个点表示经过该点的开销,求从左上角为起点,右下角为终点的最小开销,在每个点时只能往右或者往下走,同时中途可能会有障碍,即有些点不能走,obs[i][j]=1时表示(i, j)不能走。dp和dp状态压缩。
面经| 推荐算法岗(字节) 「新鲜出炉」的字节面经来咯! 接住! 一面(60分钟) 1、问做过的项目,主要是为冷用户推荐冷资源的场景。 2、esmm结构简述 解决什么问题 怎么解决 为什么这样可以解决esmm两个塔的区别和联系 3、dssm 在这个项目的场景下起的作用(用户冷启动) 为什么效果不好(多样性有问题,用户行为少...
字节跳动(西瓜视频) 一面 写程序模拟带权抽样,如果不重复抽样多次如何优化。 LR,FM,FFM算法的原理 二面 LR和FM的区别,LR的优点 Kmeans算法和EM算法的关系 说说常见的优化器以及优化思路,写出他们的优化公式 梯度消失的根本原因 介绍GBDT的详细计算过程