推荐算法
共 17 篇面经 · 字节跳动 / 美团 / 荣耀 / 某互联网公司 / 哔哩哔哩
字节剪映推荐算法一二面面经(原帖未记录具体题目)
这篇帖子发布在牛客面经流,标题写明是字节剪映推荐算法一二面,但正文只有话题标签(#互联网大厂# #算法# #算法岗面经# #大模型# #发面经攒人品#),没有记录任何具体问题。为保留时间流与来源,此处照实收录,并在解析中给出该岗位一二面通常覆盖的考察模块与准备方法,供同方向求职者参考。
字节剪映推荐算法一二面记录(正文仅含话题标签)
与同批另一条剪映推荐算法面经同期发布,标题同为「字节剪映推荐算法一二面面经」,正文只有话题标签(#发面经攒人品# #字节求职进展汇总# #互联网大厂# #算法岗面试#),没有题目内容。此处照实收录以保留时间流,解析中说明这类空正文帖的判断价值与同方向面试的准备要点。
字节推荐大模型算法岗一二面:归一化、MoE 与 Attention 细节
字节推荐大模型算法岗一二面:一面围绕论文项目与 Transformer 基本功(BN/LN、Pre-Norm/Post-Norm、Softmax 溢出、Attention 缩放)加手撕最长有效括号;二面转向 MoE(稀疏体现在哪、Router 与 Top-K、专家坍缩、负载均衡)与实验方法论,手撕编辑距离。
字节推荐大模型算法岗一二面:归一化、MoE 与 Attention 细节
字节推荐大模型算法岗一二面:一面围绕论文项目与 Transformer 基本功(BN/LN、Pre-Norm/Post-Norm、Softmax 溢出、Attention 缩放)加手撕最长有效括号;二面转向 MoE(稀疏体现在哪、Router 与 Top-K、专家坍缩、负载均衡)与实验方法论,手撕编辑距离。
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。
荣耀推荐算法一二面:SID、生成式推荐与推理加速
荣耀线下一二面:一面问 SID 与 item ID 的区别、生成式推荐的一对多与检索效率、用户序列构建、离线在线一致性,手撕按出现次数排序;二面问 Transformer、多头注意力、MoE、AWQ 与推理加速。
大厂推荐算法面经 10 问(同题重复投稿):后训练 RL 复习清单
同一份「大厂推荐算法面经 10 问」由两个账号先后发布,内容与另一篇完全一致。十道题集中在 LLM 后训练的 RL 侧:PPO / GRPO / DPO 的定位与 on-policy 归属,DAPO 与 GSPO 对 GRPO 的改进,process reward 与 outcome reward 的取舍,reward 与验证集背离的排查,VeRL 的同步异步与训推不一致,以及 SFT 与 RL 的轻重。
大厂推荐算法面经 10 问:后训练 RL 的算法对比与工程细节
一份大厂推荐算法方向的面经,十道题全部落在 LLM 后训练的强化学习侧:DPO 的损失函数、PPO 与 GRPO、DPO 的异同与 on-policy 归属,DAPO 与 GSPO 对 GRPO 的改进,process reward 与 outcome reward 的取舍,reward 上升而验证集下降的排查方向,VeRL 的同步异步与训推不一致,以及 SFT 与 RL 阶段的轻重判断。
B站推荐算法一面:生成式召回与SID编码13问
B站推荐算法一面面经,13 个问题集中在生成式召回链路:SID 语义编码体系与曝光容量约束的权衡、编码碰撞率的统计与缓解、SFT 与 LoRA 微调方案、超长行为序列与冷启动、生成式召回的推理降延迟,以及双塔模型的固有缺陷与三种训练范式。
B站推荐算法一面面经:生成式召回13问详解
B站推荐算法一面原题整理,13 问覆盖 SID 语义编码与曝光容量约束、量化误差与业务约束的权衡、编码碰撞、SFT 与 LoRA 微调、长短序列与冷启动处理、生成式召回降延迟,以及双塔缺陷、三种训练范式和 InfoNCE 温度系数。
B站推荐算法二面面经:生成式召回落地与稀疏信号建模
B站推荐算法二面 10 题,从 RQ-Kmeans 聚类召回的改进与生成式召回的实验设计问起,延伸到多通路融合、多目标框架、中小 UP 主扶持,并深挖一键三连与弹幕数据的建模方式,最后落到同质化与信息茧房的量化指标和长期生态目标。
B站推荐算法二面:生成式召回与多通路融合 10 问
B站推荐算法二面 10 问,全部围绕线上落地:RQ-Kmeans 聚类召回的改进、生成式召回与传统召回的融合兜底与权重、多目标多场景下的召回框架迭代、中小 UP 主流量扶持的算法方案,以及一键三连、弹幕等信号的建模与多样性、长期生态指标的度量。
B 站推荐算法秋招面经:生成式召回与多任务模型
B 站推荐算法秋招面经,十道题集中在生成式召回与多任务建模:SID 范式的落地兑现、RQ-VAE 的流程与梯度传播、STE 之外的梯度截断解法、MMOE 与 PLE 的专家坍缩、Focal Loss 在多任务中的取舍,以及 DIN 注意力的复杂度。
B 站推荐算法秋招面经:生成式召回与多任务模型
B 站推荐算法秋招面经,十道题集中在生成式召回与多任务建模:SID 范式的落地兑现、RQ-VAE 的流程与梯度传播、STE 之外的梯度截断解法、MMOE 与 PLE 的专家坍缩、Focal Loss 在多任务中的取舍,以及 DIN 注意力的复杂度。
敦煌网 推荐算法面经:特征评估、MMoE、SID 构建与传统推荐链路
敦煌网推荐算法岗面经:围绕实习业务场景展开,依次考察特征好坏怎么判断、MMoE 结构、SID 构建流程、SFT 流程和传统推荐链路,最后手撕最大子数组和。