【新鲜出炉】快手推荐算法 & bing搜索 面经

快手推荐算法：

一面 ：

1、在另外一个公司实习相关，大概问了 20分钟，还是讲了很多东西的。从产品形态问到日活、每天的点击展示量，再到工作的具体内容，还有工程上的问题。

2、XGBoost 和 LightGBM 区别，GBDT 与 XGBoost 的区别，XGBoost 为什么收敛速度这快。 3、深度学习了解吗？讲下 RNN 和 LSTM，写 LSTM 结构和公式。讲下反向传播，能推导吗？ 4、以 LR 为基础介绍 FM 和 FFM，推导 LR 和 FM

5、算法题：①硬币兑换(动态规划) ②链表倒数第 k 个节点

二面：

1、在另一个公司实习的内容。怎么保证线上和线下数据的一致性(大概20分钟)

2、介绍 FM、deepFM

3、embedding 的方法有哪些？ 讲下 word2vec，知道 item2vec 吗？ 在推荐里面怎么取到上下文向量

4、FM 可以做 embedding 吗？FM 怎么用到召回

5、讲下矩阵分解，知道 SVD 吗？

6、用户发生点击行为，怎么样给用户推荐视频？

bing搜索：

1、首先写一道题：从无序数组中找到中位数

2、最大后验概率和极大似然估计的具体含义，联系与区别，不带正则化的 loss 是哪个，带正则化的 loss 是哪个？ 为什么？ l2 正则的先验概率是什么？

3、介绍 GBDT XGBoost XGBoost 和GBDT的不同 为什么你用XGB 要是把基模型换为线性模型还会效果好吗？ 为什么不用 RF？ 为什么 GBDT效果比 RF 好？

4、介绍 text cnn，介绍 lstm，为什么用 cnn ，优缺点对比。对于 lstm，有什么改进吗？

5、了解 attention 吗？ 那你了解什么 nlp 方向比较新的模型？ 那问传统的语言模型呢，比如 hmm？

6、搜索的原理你了解多少？ learning to rank 模型了解吗？