万字长文 | 2023届推荐算法岗面经总结！
作者：落尽 | 编辑：对白的算法屋
https://www.nowcoder.com/discuss/943070
985渣硕，保研本校之后因为没有大规模开发的经验，再加上不太想背八股，所以转算法。研究方向是医学图像，SCI2区一篇水刊医学+计算机结合论文。
组内有做推荐算法的于是花了一个月时间转推荐，慢慢对推荐感兴趣。21年底有个非常好的朋友（阿里P8级别的）把我捞去了小红书实习，base北京，接触到了企业级别的推荐算法。推荐算法实习的意义可能就是接触线上+业务，毕竟在学校里面是不能碰到这种场景的，推荐算法需要大数据+场景支撑。
万事开头难，原本迟迟没有下决心的，4月初的时候一天晚上下班，字节hr打电话给我（本科大三的时候曾经投递了字节的简历，后来因为身体原因没有面试），问我有没有意向，刚好hr是抖音app推荐算法团队的，所以下决心开始准备春招实习。可以说投得非常晚，准备得也很晚。于是回到了学校开始准备。因为是第一次开始海投，没经验所以没录音，回忆一下大概，可能漏掉了很多问题跟细节。
一. 抖音APP推荐
一面4.8下午18:00
当时其实自己还在小红薯实习，所以请了一天假。
自我介绍
答：语速放慢，背；挑一个小红薯的项目仔细介绍
答：主要在小红薯做了一些向量召回+点召回工作，语速放慢，慢慢讲；模型的时效性怎么样？
答：我是t - 1更新，还会离线把ANN结果写入redis，因为线上qps目前暂时不支持；聊聊AUC吧。
答：随机取两个样本，正样本排在负样本之前的概率；追问：AUC怎么快速计算
答：把样本按照预测值排序，编号从大到小，看正样本的编号，巴拉巴拉～。PS：这里主动输出了一下知识，简单证明了一下 曲线下面积 = AUC的物理定义；线上线下AUC不一致怎么办？（这里有点懵，而且因为没有做过排序，只能按照自己的阅历尽可能全面去回答。）
答：有可能召回侧拿到的样本是之前旧版本排序模型的结果，会导致模型间的gap，采样的时候要变换方式；检测离线训练模型有没有过拟合；检查线上线下特征是否一致（可能存在穿越现象）；导致线上线下auc不一致最可能出现的情况就是样本穿越，因为离线训练计算auc是所有样本一起计算的，而线上不可能出现一个用户去点击排序给另一个用户的item的情况，所以过滤掉那些点击为0，或者点击率过高的用户）你们排序是怎么做的，时效性如何？（可能是看到我对第6个问题的回答，直接转向了排序）
答：目前基建还不完善，没有prerank，postrank，rerank阶段，排序侧只有一个排序模型wide&deep，排序模型是实时的，每30分钟线上发射session label，然后把样本+特征dump到云上，模型自动训练。召回的时候具体怎么做的？
答：每天离线训练完之后，模型会产出当天的向量，写到oss上，下游消费向量建立NN索引（HNSW），然后我再刷一遍全量的商品，把nn结果写入redis，线上从用户画像取用户lastn，做trigger selection和时间衰减，最后送到排序模型。如果现在我上一路DSSM召回，发现AB实验效果不好怎么办？
答：首先看样本+特征。召回的样本是不是跟当前线上排序模型关联，特征穿越之类的；其次看当前召回渠道的结果是不是跟线上已有的重复；追问了一下还有呢？当时有点紧张，只能说那就加大流量，5%不行就到10%，再不行就到20%。到这里面试官笑了，感觉这才是他想要的回答，hh。两道Easy算法题。
10.1. 一个m * n棋盘，只能往右或者往下走，问从左上到右下路径和的最小值。简单dp（当时直接用二维dp写的，写到一半自己就说了其实可以用滚动数组，然后又让用滚动数组写了一遍）
10.2. 斐波那契数列第n个数。当时看到这个想到肯定是有别的想考的，所以就把记忆化，跟直接用数组保存比较了一遍。最后又问我时间复杂度能不能再低？我说通项公式，有追问还有其他方法嘛？当时紧张给忘了，面试刚结束就想起来了 ，其实就是矩阵的n次方，然后就转化成快速幂了，O(logn)。
二面4.12晚上20:00
一面面完不到半个小时直接约了二面。
自我介绍
答：语速放慢，背；挑一个你做的比较熟悉的召回渠道，详细讲一下（跟一面差不多）
答：dssm召回巴拉巴拉。其中着重提到了样本的问题，想让面试官问我。你刚刚提到了样本，说说你的样本具体是怎么做的
答：召回本身最看重的也是样本，又巴拉巴拉一堆，又着重讲到了负采样（因为负采样的逻辑都是我自己做的，所以比较熟）。说说你负采样具体是怎么做的
答：第一版i2i在batch内随机负采样，并加了bias进行修正；第二版u2i借鉴w2v，以uv曝光为权重，全局负采样，但是由于全局负彩成本太大，做了二次哈希，根据样本uv进行了分桶；你简历上说对FM，DeepFM跟FFM有一定了解，讲讲。
答：回答了一下各自的特点和改进点。你简单写一下FM训练整个过程的伪代码吧（懵了，降低时间复杂度的证明会，但是直接手撕GG)
答：因为以前手撕过SGD跟LR，所以稀稀拉拉写了点出来，然后写了下FM化简的推导，但是FM对w0, w1, Vij的导数求错了 。线下痛定思痛，直接numpy手撕了一版简易的FM。算法题。
数组第K大的数， 没看到要求用快排，我用堆排写了一遍，问了时空复杂度+证明。最后又问到了快排怎么做，临结束又问了快排怎么做到近线形是件复杂度的，这里全忘了。其实就是在partition的时候引入随机性，证明的话网上一堆。
反问环节略。二面过去一天，第二天晚上问hr，hr说面试官很忙还没写面评价（其实就是在横向），当时就知道自己凉了，果然hr说挂了，问需不需要投其他nlp或者图像方向，婉拒了。第一次面试直接gg，狠狠的emo了好几个小时 。
二. 美团优选
笔试4.9下午16:00
四道算法题+几道选择题（参加过这场的应该都知道，全都是easy题，很快全部ac，甚至感觉自己出现了幻觉hh，反而是后面的选择概念题比较难）
一面4.13晚上20:00
自我介绍；
项目介绍；
你说模型里面batch内负采样用到了bias修正，具体怎么做的？
上线前的准备，怎么看召回指标
答：首先看auc，虽然召回模型的auc基本没有参考价值，但是如果auc太低说明根本不行；其次本来应该看topn的hr，但是由于业务比较紧急，所以当时就直接拉取了头部的item做了nn，肉眼评测结果；负采样怎么做的？
跨域i2i怎么做的
答：以swing为例，在UDTF阶段生成item -> item_list的领域对，不同的是，左侧的item来源于社区，右侧的item_list来源于商品。swing跟adamic具体细节
答：balabala一堆，然后说到了高活用户和热门item的打压算法题
也是easy题，判断是否是一棵合法的二叉搜索树（我当时用的栈去做非递归，pre指针保存中序遍历前一个节点，然后跟当前节点判断值大小，面试官说我这个做法有问题，应该用一个int保存遍历过的节点的最大值，我其实觉得我做法没问题，而且还能AC，但是不敢反驳hh，甚至还附和了面试官，哎0offer的孩子就是这么卑微）
二面4.19晚上19:00
不得不说，美团的流程相比字节速度真的慢很多很多。二面问的基本全都是业务问题，这里就不展开了（貌似现在基本不问八股了，什么SVM，对偶问题，过拟合，BN，dropout，生成模型判别模型，lr为什么用sigmoid，最大似然，L1和L2（拉普拉斯分布和高斯分布））
美团二面感觉还是挺好的，全程都在聊业务，本来字节挂了还对美团挺抱有希望的，但是直到今天还没消息，公众号回复跟大家的一样，面试官正在考虑（其实就是横向比较）。
算法题：求最短的子数组长度，子数组满足总和 >= target。简单双指针。
三. 抖音电商推荐
当时抖音APP推荐凉了之后emo了好几个小时，后来在高铁上的时候缓过来想找抖音电商，结果没想到抖音电商hr主动联系上我了，可能就是猿粪吧，又燃起了生活的希望，hh，被捞之后重新充满斗志。
一面4.18下午18:00
自我介绍；
项目介绍；
挑一个最熟悉的项目；
模型batch内负采样怎么做的？
加bias有什么用？
答：负采样的本质是想打压高曝光item，但是由于高曝光的item本身就频繁出现在样本中，随机采可能会打压过头，因此加一个bias tower进行修正（其实就是学一个值取平衡正负样本）。带权负采样的逻辑？
答：如果按照uv曝光进行带权负采样，就是先按照uv曝光排序，之后累加，最后生成一个随机数，看着随机数落到哪两个item的uv累加和（前缀和）区间，就采样哪个item。我看你做了swing，分析一下swing的时间复杂度？
答：swing是基于用户行为共现的，首先取一个时间周期，获取这个时间周期内的用户点击行为历史（最长50个），得到user->item_list；在UDTF阶段，需要根据用户的行为历史得到item->item_neighbors领域集合，假设用户数量为U，人均点击的item个数位I，UDTF阶段时间复杂度就是O(U*I*I)；在UDAF阶段要根据领域去计算每个item的最近个topk个item，假设共现当中出现的item总数是N，时间复杂就是O(N* I * I)，最后还需要根据大根堆排序,假设取topK个，则时间复杂度位O(N * I * I * logK)；可能看我算得很仔细面试官就没有继续细问了。Swing跟Adamic有什么区别？（略）
概率题。8个箱子编号1-8，扔进箱子的概率是 4 / 5，扔进每个箱子的概率相同；仍不进箱子的概率是 1 / 5。扔一次之后，现在打开1号箱子发现没有球，问球在8号箱子的概率。（条件概率）
算法题。链表排序，要求快排
答：其实链表的快排有2种写法， 最简单的是交换值，节点不变；最难的是直接交换节点，这里面有无数的边界case需要处理，当时衡量了一下，直接把递归+归并， 迭代+归并排序都写出来了。还给面试官分析了一下，说前面一种时空都是nlogn，后面一种空间复杂度为0，然后说说抱歉没看到是快排hh。面试官说没事，还是让我说了一下快排的思路，我就把两种都说了。
二面4.19下午16:00
不得不说字节的速度是真的很快，大致问题跟之前都差不多，不过这里问了一下基础。
自我介绍；
项目介绍；
挑一个最熟悉的项目（语速放慢，到这里基本上前三个问题，回答的都一模一样）
了解过nlp吗（不太了解，只知道最最简单的，最基础的）
仍然是一堆业务相关问题；
说一下FM，DeepFM，FFM的区别联系，以及每个模型的改进；
你说你们排序是wide&deep，那你对wide&deep有过一定了解吗？
答：回答了一下自己的见解你知道wide&deep优化的方式吗？
答：以前看过，主要是两边的优化器不同，面试的时候忘了 （wide用的Follow-the-regularization-loss, FTRL， deep用深度学习常见的AdamGrad）为什么优化器不同？
答：当时忘了，就乱说一通。到后来想起来然后跟面试官解释了一下：FTRL主要为了解决L1不能真正得到稀疏解的问题（由于SGD），wide侧很需要稀疏解，第一避免过拟合，第二线上部署的时候稀疏那部分直接去掉，能提高超高多的性能；deep部分就是传统的deeplearning了。了解优化器吗？
答：之前记得很多，包括公式，就简单说了一下SGD，Adaptive，AdamGrad之类的，其实主要是为了动态去调整学习率，然后从局部最小值收敛性简单瞎BB了几下。最后又说好多都忘了，面试官很温柔说不记得也没事。概率题。西游记主题盲盒，抽中师徒四人任意一人的概率相同，问要抽中孙悟空的平均次数。
答：当时面试官表达得很含糊，我战战兢兢回答了4次，他问思路，我说就是伯努利实验，n重伯努利实验就是二项分布，二项分布的期望是np，np = 1的时候，n = 4。面试官说，哦你直接套公式啊。。。。。我感觉面试官是想让我手撕二项分布的期望方差？下去之后自己推导了一下。算法题。easy题，背包，给定硬币面值，组成target需要的最小硬币数。
反问环节的时候跟面试官探讨了一下那道概率题，面试官最后又拓展说抽全4种的平均次数，让我线下去思考一下。直接的思路就是算n次，抽全的概率，E(x) = sum(np)，最后演变成无穷级数收敛值的问题。后来到处请教查资料，发现可以构造数列An，表示 还剩下n种没有集齐的卡片时候，需要抽的次数。An = 1 + n / 4 * An-1 + (4 - n) / 4 * An。这个做法惊呆了。。。。
三面4.20上午11:00
说在前面，第一次体验字节三面，面完整个人都不好了。前面的问题直接略过看重点。
你说你做过对比学习（实验室医学图像项目，面试这么久第一次被问到，当时用的是自监督对比），谈谈你对对比学习的理解。
现在如果要把自监督用到召回里做i2i该怎么做？
你接触过图像，现在要建模商品图片对于点击/购买的影响该怎么做？
用一行代码写出对比学习的loss？（当时直接懵了，对比学习最后做对抗loss的时候，涉及到很多计算技巧，一行代码GG）
如果写不出来的话，写一下ce的loss也行（貌似是最容易回答的）
你觉得siamese跟simclr有什么异同，你是怎么理解的？
从数学推导的角度证明一下，自监督能够提高模型性能？（懵了，难道不都是直接看实验结果才能知道吗？当时就只能bb，数学推导gg）
现在如果想要增加图搜功能，拍照搜索商品，该怎么做？
了解统计学派跟贝叶斯学派吗？你觉得最大似然更接近哪个？
概率题，4支球队，单循环赛，输赢平概率相同，分别得分3，0，1.问最后4支队伍得分总和服从什么分布？
答：其实相当于做6次伯努利实验，每次实验得3分的概率是 2 / 3， 平了2分概率是1 / 3，最后分数范围为12 - 18，概率递增，相当于一个离散分布列。但是当时让我回答服从什么分布，GG，好像叫得上名字的分布跟这个都没关系，当时只能支支吾吾的说服从广义的二项分布，然后面试官让我写公式，我写到一半面试官直接说那面试就到这里。。。
反问：这里不省略，是因为我这辈子都会记得。当时我整个人都是万脸懵逼的状态，鬼使神差脱口问了句实习的话有转正hc吗？面试官手都已经准备合上电脑盖了，然后他笑了，没错他笑了。。
HR面4.26上午11:00
其实三面之后自己都觉得凉透了，甚至还问过hr小姐姐，小姐姐人特别好，说帮我争取一下。看到争取一下心里又凉了半截，甚至一度又emo了好几个小时，美团又迟迟不给回应，整个人都裂开。当时hr给我发微信的时候突然说技术面过了，约hr面。想象一下一个高考落榜的人突然告诉你系统分数算错了。。（其实还是怪自己菜，三面发散性思维，回答得太差了，但是不知道为什么居然能过？）
自我介绍+职业规划+遇到问题怎么结局+入职时间，实习时常+如果碰到身边有同事划水怎么办= =！.27今天下午已OC。感谢小姐姐！字节流程是真的速度！
四. 快手主站推荐
当时觉得字节凉透了，于是开启了海投模式。让实验室师兄忙帮内推了。PS：快手的面试官好温柔，温文尔雅。这半个月的面试，快手的面试体验是最好的，其次是美团，说错了不打断，但是会善意提醒你。
一面4.25下午17:00
自我介绍；
项目；
写出对比学习的Loss；
对比学习本质是想区分不用的内容，拉近相同内容，但是相同内容纯天然就有一定相似性，怎么解决？
你觉得在做对比学习的时候最主要需要注意的地方是什么？
Siamisese跟SimCLR有什么不同？
聊聊项目吧，说说你最熟悉的一项工作。
负采样怎么做的？为什么要负采样？
模型怎么部署的，特征怎么处理的？
排序了解吗？FM知道吗？为什么能降低时间复杂度？系列FM之间的差别在哪儿？
我看你写了XGBoost，讲讲他对于GBDT的优化点。（第一次碰到，终于有人问了hh）
XGBoost叶子节点的值怎么得到的（这个忘了，瞎说说分裂之后的平均值，还会在分裂的时候正则化，面试官纠正我其实是根据优化目标得来的）
随机了一道算法题。二叉树层序遍历（啊这）
今天跟我约了明天二面；
五. 总结
我投递的比较晚，基本上是4.5才开始准备。结果刚投腾讯WXG，直接宣布不招人；刚投阿里，又直接锁HC。。整体的面试还是业务的偏多，准备了好多好多基础，树，LR，SVM推导（软硬间隔），KKT，SVM回归，手撕SGD，手撕DNN，手撕Softmax，手撕LR，XGB损失函数推导，LightGBM优化，Boost&Bagging，GBDT，卷积，BN，激活函数，L1，L2，近段梯度下降，牛顿法，最大似然，几乎都没用上（只有快手的面试官问过一些）。 算法题也都oc了（不过都是easy题）
一路走来几乎每天都过的浑浑噩噩，从最开始被拒绝的失落难受到振作，到嘴里一边骂一边leetcode的量子叠加态，最后终于从0到1有了个offer。也祝愿大家春招收获满满（马上就要结束了），秋招备战！最后借用小红书那个跟我关系很铁的前辈说的话收个尾：年轻的时候我们都梦想大厂，但是最后一定要找到最适合自己的那个角落！没有找到的牛友也别泄气，面试7分靠实力，3分靠运气，最重要就是别否认自己。
——The End——
分享
收藏
点赞
在看
