SID 面试题
共 10 篇真实面经 · 涵盖 百度 / 字节跳动 / 快手 / 荣耀 / 敦煌网 等 5 家公司
百度推荐算法日常实习面经:双塔负采样、SID 碰撞、约束解码与 GRPO
百度推荐算法日常实习面试:先问传统推荐系统整体架构、项目里的排序模型是重排还是精排,再深挖双塔训练的负采样做法与问题、SID 在项目里的作用与构建方式、前三层编码的碰撞率与碰撞原因、第四层消歧编码如何编码以及会不会折损语义、还有哪些降低碰撞率的方法、约束解码原理、多任务微调设计了哪些任务、GRPO 与 SFT 的本质区别与 Loss 设置,最后是 DeepFM、LightGBM 排序模型与手撕打家劫舍。
字节搜索大模型一面:意图识别、RQ-Kmeans 与 GRPO 原理
字节搜索大模型一面(10 月 28 日,约 50 分钟),围绕两个项目深挖。项目一:搜索完整链路与负责部分、意图识别结果怎么用(是否作为模型特征)、链路时延与兜底、为什么用大模型判意图(输入输出、是否含用户行为、评估指标、基线)、样本标注定义/采样/量级/正负比例/是否与线上分布一致、微调做了哪些工作与其他微调方式、过拟合与灾难性遗忘怎么解决、OPD、显存不足的优化与分布式训练框架、推理优化的词表裁剪与推理框架、端侧资源消耗。项目二:生成 SID 的 Embedding 模型选型、RQ-Kmeans 的 K 选取与聚类评估、与普通 Kmeans 的区别、码本大小经验、生成式模型的输入输出与历史序列处理、GRPO 原理与奖励函数、为什么不用其他 RL 算法、loss 形式、DPO/PPO 原理、优化数学推理任务该选哪种。八股:召回/排序怎么做、双塔召回训练与对比损失、序列特征建模、DIN 多目标结构、self-attention 的 QKV 计算、降低 QKV 复杂度的方法。手撕:接雨水。
快手 OneRec 算法岗一二面:生成式召回、单层 SID 与 DPO
快手 OneRec 算法岗一二级面:一面问生成式召回在推荐链路怎么落地(新增通路还是替换)、层级 SID 改成单层表征后输入输出变化与舍弃层级的原因、线上模型的迭代与全量/增量更新、特征与结果是离线预计算还是实时生成、长序列召回架构与损失设计、线性注意力与标准多头注意力的差异,手撕三数之和;二面问用大模型优化 OneRec 的完整落地思路、方案被全盘否决后怎么推进、单层 SID 的核心痛点与创新价值、DPO 与 PPO/GRPO 的适配差异、曝光消耗 ADVV 同涨怎么判断效果、LoRA 初始化与 RMSNorm/LayerNorm、AUC 与 GAUC 的选用边界。
快手 OneRec 算法岗一二面:生成式召回、单层 SID 与 DPO(同题重发)
快手 OneRec 算法岗一二级面:一面问生成式召回在推荐链路怎么落地(新增通路还是替换)、层级 SID 改成单层表征后输入输出变化与舍弃层级的原因、线上模型的迭代与全量/增量更新、特征与结果是离线预计算还是实时生成、长序列召回架构与损失设计、线性注意力与标准多头注意力的差异,手撕三数之和;二面问用大模型优化 OneRec 的完整落地思路、方案被全盘否决后怎么推进、单层 SID 的核心痛点与创新价值、DPO 与 PPO/GRPO 的适配差异、曝光消耗 ADVV 同涨怎么判断效果、LoRA 初始化与 RMSNorm/LayerNorm、AUC 与 GAUC 的选用边界。
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。
快手广告算法一二面面经(同场重复投稿)
快手电商广告算法实习一二面题目记录,内容与同场另一份投稿一致:一面问实习与项目里的 ID 表征、SID 优势、推荐模型架构,附 AI Coding 实操与快速选择手撕;二面深挖实习与训练调优,要求手写 pair-wise hinge loss、对比三种排序范式及损失、讲 RQVAE 的量化与梯度、SFT 与 GRPO 的差异,以及一道零钱兑换 DP 变式。
快手广告算法一二面:从 SID 表征问到 RQVAE 与 GRPO
快手电商广告精排团队广告算法实习一二面面经:一面围绕实习与 MinioneRec 项目追问 ID 表征、SID 与普通 Embedding 的差异、推荐模型架构,并含 AI Coding 实操与快速选择手撕;二面深挖百度实习与训练调优,要求手写 pair-wise hinge loss、对比 pointwise/pairwise/listwise 及各自损失、讲清 RQVAE 的量化与梯度传导、SID 生成方式,以及 SFT 与 GRPO 的监督信号差异和奖励设计。
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。