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，用户行为少模型学不到用户真实兴趣）？如果要优化想怎么优化？

4、热门item怎么打压（采样策略）

5、多样性怎么做（说了几种方法，都是为了保证一二级类别占比不超过一定阈值） 所述各有什么优缺点（多样性调整越激烈相关性越差）

6、nlp如何赋能推荐

二面（60分钟）

1、讲项目

2、讲nlp的论文（文本分类）

3、论文中为什么transformer效果不如其他模型（主要是fasttext，结合具体任务分析一下即可）

4、word2vec 和 fasttext的区别？需要使用向量的场景下可不可以用fasttext的向量代替word2vec？（不可以，向量侧重点不同）

5、word2vec两种方式的推导 为什么能做到相似单词向量近（口述一下公式）

6、负采样 负采样如何实现高频item打压（高频词采样）

7、textcnn流程 参数矩阵大小

8、rnn流程 参数矩阵大小？lstm gru 各层激活函数（sigmoid建模各种门，最后是tanh）

9、attention selfattention的kqv是什么？表示的物理意义是什么？他们的维度是多少 ？参数矩阵学的什么？

10、bert结构 为什么用一半的transformer

11、样本不平衡怎么办（有什么比较优雅的解决方式）

最后一道算法题：编辑距离