负采样 面试题
共 3 篇真实面经 · 涵盖 美团 / 字节跳动 等 2 家公司
美团到店 推荐算法三面:双塔召回、ESMM 偏差与 AUC 手撕
美团到店推荐算法三面全记录(9 月 3 日、9 日、16 日三场,22 道题):一面偏项目,深挖双塔召回的特征、内积与 MLP 的取舍、样本构造与负采样权重、统计特征的穿越问题;二面偏模型,问多目标建模、ESMM 的偏差、排序公式、位置偏差、DIN 与长序列、冷启动兜底;三面偏业务与取舍,问 QPS 与 P99、迭代周期、十倍模型的改造顺序、离线与线上指标打架、AB 样本量;手撕是 K 路有序列表合并去重取 TopN 和带并列处理的 AUC 计算。
字节跳动 搜广推算法秋招一面(同场第二份记录):SID 生成式召回与八股
字节跳动搜广推算法秋招一面的另一份记录,与同场另一帖题目一致:项目侧围绕 SID 生成式召回展开——不用原始 item id 的原因、SID 构建流程、RQ-VAE 与 RQ-Kmeans 的差异、RQ-VAE 损失构成与码本更新、码本坍塌、生成器选型、样本规模与推理解耦时延、上线指标与正向收益保障、召回是否接排序;八股侧问激活函数作用、先加后激活与先激活后加、PyTorch autograd 与梯度截断、DIN 与 Transformer 的 attention 差异、其他召回通道、负样本获取。
字节跳动 搜广推算法秋招一面:生成式召回的 SID 构建与 RQ-VAE
字节跳动搜广推算法秋招一面,项目部分围着「用 SID 做生成式召回」往下深挖:为什么不用原始 item id、SID 的完整构建流程、RQ-VAE 与 RQ-Kmeans 的差异与 RQ-VAE 的损失函数组成、码本坍塌、生成器为什么选 Qwen 而非普通 Transformer、训练样本规模、推理解耦与时延指标、上线关注哪些维度、如何保证业务正向收益;八股部分问激活函数、先加后激活与先激活后加的区别、PyTorch autograd 与梯度截断、DIN 的 attention 与 Transformer 的差异、其他召回通道与负样本构造。