拼多多算法岗一面：特征共线性、GRPO 与股票买卖题

《面试题目》

1. 个人自我介绍。
2. 详细阐述暑期实习核心项目内容、业务背景与个人负责模块。
3. 讲解项目内特征构建与生产逻辑，是否分析过特征生效的底层原因。
4. 训练过程中如何识别特征共线性问题，以及对应的解决、规避方案。
5. 说明项目任务的类别标签设计思路、划分依据与设计考量。
6. 项目中 GRPO 算法的完整落地流程，以及奖励函数的设计逻辑、调优思路。
7. 对比讲解 PPO、GRPO、GSPO 三种强化学习算法的原理差异与适用场景。
8. 横向对比 DPO 与 GRPO 算法的优缺点、落地适配场景、各自局限性。
9. 介绍项目所用模型整体架构、训练使用的损失函数及设计理由。
10. 尝试过纯分类、纯回归模型做任务的效果差异吗？分别有什么优劣。
11. 实习落地过程中遇到的最大技术难点，以及完整的解决复盘过程。
12. LeetCode 122：买卖股票的最佳时机 II（可多次交易）。
13. LeetCode 123：买卖股票的最佳时机 III（最多两次交易）。
14. 了解部门核心业务方向（本次为交叉面试）。
15. 咨询部门日常工作节奏、加班与工作强度情况。

《参考解析》

特征共线性：先看业务含义，再看数据。连续特征两两算 Pearson / Spearman 相关，分类特征做卡方或互信息；多变量共线性用 VIF，一般 VIF 大于 5 或 10 就认为明显。处理上优先删冗余特征、做业务合并，其次用 L2 正则、PCA 或树模型降低影响；如果保留，要在模型解释和线上稳定性上说明代价。面试官追问“是否分析过特征生效的底层原因”，要能落到特征与 label 的因果/相关机制、分桶单调性、上线后的特征漂移，而不是只报 AUC。

PPO、GRPO、GSPO 与 DPO：PPO 是 actor-critic 的 on-policy 算法，用 clip 限制策略更新，需要 value 网络估计优势，稳定但显存和调参成本高。GRPO 去掉 critic，对同一 prompt 采样一组回答，用组内相对奖励算优势，适合可验证奖励的推理/Agent 任务，省显存但依赖组内对比质量。GSPO 进一步按序列级重要性比率做优化，缓解 token 级比率方差大、长序列训练不稳的问题。DPO 则是离线偏好优化，直接用偏好对构造分类损失，不需要在线采样和 reward model，简单稳定，但依赖偏好数据覆盖度，探索能力弱于在线 RL。选型看任务：有可靠 verifier、要探索就 GRPO/GSPO；偏好数据充足、追求稳定低成本就 DPO；需要成熟稳定的在线 RL 基线就 PPO。

GRPO 奖励设计：奖励要可验证、难作弊、能区分好坏。常见组合是结果奖励（答案是否正确、任务是否完成）、格式奖励（是否按 schema 输出、工具调用是否合法）和过程奖励（步骤是否合理、是否引用证据），再对长度、重复、越权等加惩罚。训练时按组内归一化算优势，奖励尺度要统一，避免某一项独大；难度要分层，太简单全对、太难全错都没有梯度。上线前用固定评测集看通过率、格式合规率和平均步数，防止模型学会钻规则空子。

两道股票题：122 题允许多次交易，贪心即可，只要后一天价格高于前一天就把差值累加，时间 O(n)、空间 O(1)；也可以用状态机 DP，持有/不持有两个状态滚动更新。123 题最多两次交易，用四个状态做 DP：第一次买入、第一次卖出、第二次买入、第二次卖出，按天滚动更新，最后取第二次卖出与 0 的较大值；通用写法是把 k 次交易压成 buy[j] / sell[j] 两个数组。手写时注意初始化用负无穷表示不可达，避免把“没交易”算成亏损。

纯分类与纯回归：分类输出离散标签，优化交叉熵，评估看准确率、F1、AUC，适合标签边界清晰的场景；回归输出连续值，优化 MSE/MAE，评估看误差，适合有序且距离有意义的任务。同一任务上，回归保留更多序信息，但容易被离群点拉偏；分类更稳健，却丢掉类别间的距离。实践里可以回归后阈值化，或分类后输出概率，用业务指标决定；关键是比较标签分布、样本量和线上收益，而不是只看离线损失。