一面
2022.04.12 早 10:00，就面了三十多分钟
一、自我介绍
二、实习经历
- 介绍一下做的工作？
- 为什么需要重训？
- 为什么重训打不平？
- 减少参数后 AUC 提升为什么就能说明一定是过拟合呢？会不会可能是减少的这部分参数本身存在问题呢？
- 还有什么方法可以判断过拟合呢？
- 你特征选择和特征交叉项选择的这两种方法有什么不同呢？为什么要用不同的方法呢？
- 介绍一下 NAS 的原理
- AUC 这个指标存在什么问题呢？怎么解决？
- 使用 GAUC
- 介绍一下做的下一个工作，多目标优化
- 你这个每个任务私有的部分的特征该怎么选择呢？是不是需要一些先验的知识？
三、算法题
- 要求 O(log n) 时间复杂度，即二分查找左边界和右边界
四、反问环节
二面
2022.04.14 下午 15:00。面试官是北邮校友呀
一、自我介绍
二、实习经历
- 多任务的目标都有哪些？
- 不同场景的 CTR
- 模型的结构？
- 那不会存在跷跷板现象吗？
- 这个和 PLE 的区别？
- 这个特征选择方法是怎么做的？
- 那怎么评估要选择多少特征呢？
- 选择的特征数量越多效果越好吗？
- 会看 GAUC 吗？
- 也看，但重点关注的还是 AUC
- AB 指标为什么写的是人均停留而不是点击率呢？
- 人均阅读也是提升但没置信，就没写，写了置信提升的人均停留
- NAS 是？会不会很耗时耗资源呢？
- NAS 和别的特征选择方法比有什么区别呢？哪个效果好？
- DFM tower 是怎样的结构？和 Deep FM 的区别？
- 这个工作主要做的是参数压缩的工作？
- 因为基线模型训练时间很长
- 训练数据从什么时候开始？样本量？
- 19 年开始，每天 1000w 左右
- 那早期的数据的特征和后来的不会发生变化吗？
- 没有太关注这方面
- 原来的模型有多大？
- 没到 1 T，几百个 G
- uid embedding 的维度多大呢？
- NAS 搜索出来的 emb size 最大的有哪些特征呢？
- 特征交叉项选择把哪些特征筛掉了呢？
- share bottom 部分包含哪些结构呢？
- LR 输入都是类别型特征吗？
- LR 输入哪些特征会比较好呢？放用户 id 好吗？
- 用户 id 可能和别的特征做交叉比较好，LR 缺乏特征交叉能力，可能 uid 效果不好
- 为什么对另外两个结构做了特征选择，没有对 LR 的输入做选择呢？
- 分析了结构的重要性，以及考虑到不同结构的参数量占比
- Attention FM 介绍一下
- 为什么 CVR 的特征交叉项选择用了不同的方法？
- 用 FI 的话，CVR 没有事先的人工筛选交叉项，那么只能输入所有特征交叉进行选择，那么模型就会很大，训不动，用 Attention FM 是矩阵的形式，交叉项对应一个值而不是 emb，极大地减少了参数量
- 闲聊了几句，你们现在寝室和我们当时看着不太一样啊 …… 面试官也是北邮的
- 字节这边是基于 tensorflow 的吗？是不是改了 emb 抽取这块，有了解吗？
- 除了你上面提到的，还知道哪些特征选择方法吗？是不是有 feature gate？
三、算法题
四、反问
- 你们这边的具体工作（搜狐新闻 APP 的推荐算法）
- 暑期实习转正的机制/要求？
- 多久会反馈本次的面试结果呢？
- 三个工作日内，实际上不到一个小时 hr 就联系了。。。
HR 面 & End
三面完不到 1h 就接到了 hr 的电话，说面试通过了，也没问我有没有其他家的 offer 之类的，就要给我发 offer 了，说 6 月见。。。加了微信后说了下我的情况，说一周给答复要不要接 offer ~
- 搜狐转正是在 9、10 月秋招的时候走流程
- 实习日薪 250 R/天
- 工作时间：早 9:30 - 晚 18:30/19:00
- 办公地点：搜狐媒体大厦
若有收获，就点个赞吧
0 人点赞
