搜广推校招面经十九

快手推荐算法

一、1*1的cnn有什么作用？

1.1. 降维与通道数调整（Channel Reduction）

在 CNN 中，特征图（Feature Map）通常有多个通道（channels）。

• 1×1 卷积可以用于减少通道数，从而降低计算量，提高模型效率。
• 1×1 卷积可以增加通道数，以增强特征表达能力。
• 示例代码（PyTorch）：

import torch
import torch.nn as nn
conv1x1 = nn.Conv2d(in_channels=64, out_channels=32, kernel_size=1, stride=1, padding=0)
x = torch.randn(1, 64, 32, 32)  # (batch, channels, height, width)
output = conv1x1(x)  # 输出 shape: (1, 32, 32, 32)
print(output.shape)

1.2. 增强非线性表达能力

1×1 卷积不会改变空间尺寸，但可以引入非线性变换（通常配合 ReLU），增强网络的特征提取能力。在 Inception 结构中，使用 1×1 卷积后再使用 3×3 或 5×5 卷积，相当于增加了一层非线性变换，有助于学习更复杂的特征。

1.3. 替代全连接层（FC Layer）

在 CNN 结构中，1×1 卷积可以替代全连接层（Fully Connected, FC），减少参数量，提高泛化能力。

• 传统 FC 层：1024×1000 维参数
• 使用 1×1 卷积：1×1×1024 的卷积核可以实现类似的映射，但参数更少
• 示例代码（PyTorch 替代 FC 层）：

# 使用 1x1 卷积替代全连接层
fc_layer = nn.Linear(1024, 1000)  # 传统全连接层
conv1x1_fc = nn.Conv2d(1024, 1000, kernel_size=1)  # 1×1 卷积实现
# 假设输入为 1×1024×1×1
x = torch.randn(1, 1024, 1, 1)  
output = conv1x1_fc(x)  # 仍然输出 1×1000×1×1，相当于 FC 层
print(output.shape)

二、粗排（Coarse Ranking） vs. 精排（Fine Ranking）

在推荐系统、搜索引擎、广告排序等场景中，排序通常分为 粗排（Coarse Ranking） 和 精排（Fine Ranking） 两个阶段。它们的主要区别如下：

2.1. 定义

粗排（Coarse Ranking）

• 目标：从 海量候选集合 中 快速筛选出一个较小的候选集合，供精排进一步优化。
• 主要关注 召回效率，使用较简单的模型进行排序。
• 典型方法：
  • 线性模型（如 Logistic Regression）
  • 基于 Embedding 的相似度计算
  • 轻量级的神经网络（如 MLP）
  • 经典机器学习模型（如 GBDT）

精排（Fine Ranking）

• 目标：对 粗排筛选出的候选集合 进行 更精细的排序，优化最终推荐效果。
• 主要关注 排序质量，使用更复杂的模型进行精细打分。
• 典型方法：
  • 深度学习模型（如 DNN、Transformer）
  • 序列模型（如 RNN/LSTM）
  • 复杂的 GBDT 结合深度学习（如 Wide & Deep、DeepFM）

2.2. 对比分析

对比项	粗排（Coarse Ranking）	精排（Fine Ranking）
目标	高效筛选，减少计算量	细粒度优化排序
输入规模	百万 / 千万级 候选集合	百 / 千级 预选候选
计算复杂度	低（O(n) 级别）	高（复杂模型计算）
计算资源	轻量级，适用于大规模数据	资源消耗大，适用于少量数据
常用模型	线性模型、GBDT、Embedding 相似度	DNN、Transformer、深度排序模型
关注点	召回率、效率、覆盖率	排序精度、用户满意度

2.3. 典型应用场景

• 推荐系统

  • 粗排：基于用户行为 Embedding 计算相似度，筛选前 1% 的候选项。
  • 精排：使用 DNN 计算用户-物品匹配得分，优化点击率（CTR）。

• 搜索排序

  • 粗排：基于 BM25、TF-IDF 计算相关性，筛选 top-K 结果。
  • 精排：使用神经网络进行文本匹配、意图理解，提高相关性。

• 广告点击率预估（CTR 预估）

  • 粗排：GBDT 快速筛选潜在点击广告。
  • 精排：DeepFM / Transformer 计算点击率，优化用户体验。

2.4. 总结

• 粗排（Coarse Ranking） 主要用于 快速筛选候选，减少计算成本，适用于大规模数据。
• 精排（Fine Ranking） 主要用于 精细优化排序，提高最终推荐效果，适用于较小的候选集合。
• 现代推荐系统和搜索引擎通常采用 “粗排 + 精排” 的多阶段排序框架，以 兼顾效率和效果。

三、精排（Fine Ranking）主流模型

在推荐系统、搜索引擎、广告排序等场景中，精排（Fine Ranking） 主要负责对粗排筛选出的候选集合进行 细粒度打分和排序。
以下是 精排阶段的主流模型，按 传统机器学习 和 深度学习 分类介绍。

3.1. 传统机器学习模型

早期的精排主要基于传统机器学习方法，常见模型包括：

3.1.1 GBDT（梯度提升决策树）

• 代表算法：XGBoost、LightGBM、CatBoost
• 特点：
  • 处理非线性特征，支持类别型数据
  • 计算效率高，容易调参
  • 但模型表达能力有限，对序列关系建模能力较弱
• 应用：
  • 早期推荐系统、广告点击率（CTR）预估
  • 结合深度学习（如 Wide & Deep）

3.2. 深度学习模型

随着计算能力和数据规模的增长，精排阶段逐步采用更复杂的深度学习模型。

3.2.1 DNN（Deep Neural Network）

• 典型结构：全连接神经网络（MLP）
• 作用：
  • 提取非线性特征
  • 结合 Embedding 进行特征交互

3.2.2. Wide & Deep -> DeepFM -> DIN（Deep Interest Network）->DIEN -> SIM

3.3. Transformer 相关模型

随着 Transformer 发展，序列建模 在精排中表现优异：

3.3.1 BERT4Rec

• 基于 Transformer 的序列推荐
• 特点：
  • 适用于用户行为序列建模
  • 采用 Masked Language Model（MLM） 进行训练
• 应用：
  • 电影推荐（Netflix）
  • 书籍推荐（豆瓣）

3.3.2 SASRec

• Self-Attention Sequence Recommender
• 使用 自注意力（Self-Attention） 进行序列推荐
• 比 RNN 更高效，捕捉长距离依赖

3.4 MMoE（Multi-gate Mixture-of-Experts）

• 适用于多任务学习（Multi-Task Learning）
• 采用多个专家网络（Experts） 共享底层信息
• 应用：
  • 抖音 / 今日头条 多目标推荐（CTR、点赞、转发等）
  • 广告排序（CVR 预估）

3.5. 总结

模型	特点	应用场景
GBDT / LambdaMART	计算高效、可解释性强	传统搜索排序、广告点击率预估
DNN	适用于非线性特征	早期深度推荐模型
Wide & Deep	结合记忆能力与泛化能力	Google Ads 推荐系统
DeepFM	自动学习特征交互	电商推荐、广告
DIN	注意力机制提取用户兴趣	淘宝推荐、个性化广告
BERT4Rec / SASRec	基于 Transformer 进行序列建模	电影 / 购物推荐
MMoE	多任务学习，适应不同优化目标	抖音、今日头条广告排序

在实际应用中，推荐系统往往结合多种模型（如 GBDT + DNN、Wide & Deep + Transformer）进行排序，以 兼顾效率和精度。

四、102. 二叉树的层序遍历（hot100_中等）

class Solution:
    def levelOrder(self, root: Optional[TreeNode]) -> List[List[int]]:
        if not root: return []
        res, queue = [], collections.deque()
        queue.append(root)
        while queue:
            tmp = []
            for _ in range(len(queue)):
                node = queue.popleft()
                tmp.append(node.val)
                if node.left: queue.append(node.left)
                if node.right: queue.append(node.right)
            res.append(tmp)
        return res