面经题库第 12 页

一个类似快手的大规模推荐系统有什么模块？

大规模推荐系统通常由数据采集、特征平台、召回、排序、重排、策略、实验、监控和反馈训练闭环组成。回答要强调模块分层和每层的工程约束，而不是只列推荐算法。

数据预处理一般用 OpenCV 做什么？

OpenCV 在数据预处理中常用于图像读取、格式转换、尺寸调整、归一化、去噪、增强、几何变换、颜色空间处理和基础标注清洗。回答要把训练数据处理和上线推理一致性一起讲清楚。

大模型使用向量数据库的诉求是什么？

大模型使用向量数据库的核心诉求是把外部知识、私域文档和长尾内容以语义检索方式接入模型，弥补上下文长度、知识时效和幻觉问题。它通常服务于 RAG、记忆、相似检索和推荐召回。

Agent 和传统大模型有什么区别？

Agent 和传统大模型的核心区别在于是否具备面向目标的规划、工具调用、状态管理和执行闭环。回答时要把 LLM 说成能力底座，把 Agent 说成围绕任务运行的系统。

有哪些限流算法？

限流算法常见有固定窗口、滑动窗口、漏桶和令牌桶。面试回答要讲清每种算法解决什么问题、是否允许突发流量、实现复杂度和分布式一致性取舍。

Python 的生成器是如何实现的？

Python 生成器的本质是带有可暂停执行状态的迭代器。回答要讲清 yield 如何保存栈帧、next/send 如何恢复执行，以及它和普通函数、迭代器的关系。

虚函数和纯虚函数有什么区别？

虚函数用于运行期多态，纯虚函数用于定义必须由派生类实现的抽象接口。回答要区分语法、是否可实例化、默认实现、虚表机制和析构函数场景。

const function(const) const 中三个 const 分别有什么区别？

const function(const) const 这类题考的是 const 出现在返回值、参数和成员函数尾部时的不同约束。回答要把修饰对象说清楚，而不是笼统说都是不可变。

为什么需要 Reward model？

Reward model 的价值在于把人类偏好或业务偏好转成可优化的奖励信号，用来指导模型从会生成变成更符合偏好的生成。回答要说明它解决的是监督微调之后的偏好对齐问题。

Reward model 不准确时怎么办？

Reward model 不准确时不能直接继续强化学习，否则会放大错误偏好。稳妥回答要从数据、标注、模型、校准、对抗评测和下游闭环逐层修复。

ReLU 是为了解决什么问题设计的？

ReLU 的设计目标是给神经网络引入简单高效的非线性，同时缓解 Sigmoid/Tanh 在深层网络中的梯度消失和计算饱和问题。回答要同时讲优点和死亡 ReLU 等代价。

netstat 中的 Recv-Q 和 Send-Q 有什么区别？

netstat 的 Recv-Q 和 Send-Q 分别反映 socket 接收队列和发送队列中的未处理数据。回答要区分监听 socket、已建立连接、应用是否及时读写，以及网络或对端是否导致堆积。

从算法工程师的角度，如何预测苏州的房价？

房价预测题考察的是从业务问题到机器学习建模的完整流程。回答要覆盖目标定义、数据来源、特征工程、模型选择、验证方式、误差分析和上线监控。

分布式的 slave 和 master 之间如何通信？

master/slave 通信本质上是分布式节点之间的控制面和数据面协作。回答要覆盖心跳、注册发现、任务下发、状态上报、数据同步、故障检测和一致性取舍。

数据集是如何构建和评测的？

数据集构建和评测题考察的是训练数据闭环。高质量回答要覆盖目标定义、数据采集、清洗标注、划分、质量评估、偏差检查、基线验证和持续迭代。

同题还出现在 1 个公司岗位

如何通过后端和大模型实现司机智能接单助手？

司机智能接单助手可以按网约车接单辅助的后端系统设计题回答，重点不是只调用大模型，而是把订单特征、司机状态、规则风控、模型推理和可解释建议串成稳定闭环。

Claude Code 使用 grep 检索与 RAG 检索有什么区别？

grep 检索和 RAG 检索的区别在于前者是确定性的文本匹配工具，后者是面向语义召回、上下文组织和生成回答的检索增强流程。

如果让你设计一个推荐系统，会设计什么样的架构？

推荐系统架构题要从离线训练、在线服务、召回排序、策略重排、实验监控和反馈闭环回答，不能只列协同过滤或深度模型。

Self-Attention 中为什么需要 Softmax？

Self-Attention 中 Softmax 的作用是把相似度分数转换成归一化注意力权重，让模型用概率分布对 value 做加权聚合。

Self-Attention 中为什么要做 QKV 线性变换？

QKV 线性变换让同一个输入表示分别投影到查询、键和值三个语义空间，使 Attention 能学习匹配关系和被聚合内容，而不是用原始 embedding 直接相乘。

XGBoost 的特征重要性是如何得到的？

XGBoost 特征重要性通常来自树分裂统计，例如 split 次数、带来的增益和覆盖样本量。回答要说明这些指标的含义和偏差。

基于值函数和基于策略梯度的 RL 算法有什么区别，分别适合什么场景？

基于值函数和基于策略梯度的 RL 方法区别在于前者学习状态或动作价值再间接选动作，后者直接优化参数化策略。

模型训练时 advantage 或 loss 突然变成 0，可能是什么原因？

advantage 或 loss 突然变成 0 通常是训练信号、数据、mask、奖励归一化、数值稳定或日志统计出了问题，需要按链路逐层排查。

XGBoost 如何实现正则化和并行化？

XGBoost 的正则化体现在目标函数和树结构约束中，并行化主要体现在特征分裂候选和直方图统计等计算过程，而不是每棵树完全独立并行。

0、1 分类问题应使用什么损失函数，为什么不能用 MSE？

0、1 分类通常使用二元交叉熵或逻辑损失，而不是 MSE。核心原因是分类建模的是伯努利概率，交叉熵梯度和概率解释更合适。

如何合并 N 个有序数组并输出有序数组？

合并 N 个有序数组的经典做法是使用小顶堆维护每个数组当前最小元素，复杂度 O(M log N)，其中 M 是总元素数。

大模型产出的向量或相似度可用于推荐链路的哪些环节？

大模型产出的向量或相似度可以用于推荐链路的召回、粗排、精排特征、重排和解释环节，但不能把整条链路都交给大模型直接排序。

Transformer 的主要结构和流程是什么？

Transformer 的主线是把序列输入转为 token embedding 和位置编码，经过多层 self-attention 与前馈网络建模上下文，最后输出上下文表示或逐 token 生成结果。

Transformer 相比之前的模型为什么有这么大的提升？

Transformer 的提升主要来自 self-attention 对长距离依赖的直接建模、更强并行训练能力、多头表示学习，以及可扩展到大数据和大模型规模的结构。

大模型使用的损失函数是什么？

大模型预训练最常见的损失函数是 next-token prediction 的交叉熵损失；对齐阶段还会出现 SFT 交叉熵、奖励模型损失、RLHF 或 DPO 这类偏好优化目标。

如何将 GAN 应用到检测分割中以提升性能？

把 GAN 用到检测分割中，核心是让生成器补充样本、域迁移或生成更难的视觉场景，再用检测分割任务损失和对抗损失共同约束，避免只追求图片逼真。

如何实现给用户推荐音乐的功能，需要哪些特征和算法？

音乐推荐设计要从用户、音乐、上下文和反馈特征出发，构建召回、排序、重排和反馈闭环，而不是只列协同过滤或深度模型。

模型在线训练和离线训练有什么区别？

在线训练和离线训练的区别在于数据更新频率、训练时效、系统复杂度和稳定性要求；推荐场景常用离线主模型加在线增量或实时特征的混合方案。

常见的核函数有哪些？

常见核函数包括线性核、多项式核、RBF 高斯核、Sigmoid 核等；回答重点是说明核函数在不显式升维的情况下计算高维特征空间内积。

如何手推 MSE 的梯度并进行反向传播？

手推 MSE 梯度要从损失定义开始，说明对预测值的导数，再把这个误差信号沿链式法则传回模型参数，而不是只背一个公式。

Encoder 和 Decoder 中的 Attention 有什么区别？

Encoder 和 Decoder 中 Attention 的核心区别在于可见信息、mask 约束和信息来源不同：Encoder 做双向理解，Decoder 做自回归生成并可能交叉关注 Encoder 输出。

同公司岗位有 2 条面经记录

目前主流的视频推荐和音乐推荐算法有哪些？

视频和音乐推荐常用算法可以按召回、排序和重排来回答：协同过滤、内容理解、向量召回、深度排序、多目标排序和多样性控制共同组成链路。

如何将 NLP 和推荐相互结合？

NLP 和推荐结合的关键是把文本理解能力转成推荐可用的用户、物料和上下文表示，用于召回、排序、冷启动和解释，而不是简单把两个系统拼起来。

常用的召回算法有哪些？

常用召回算法可以按规则、协同过滤、内容向量、模型向量、图关系和实时行为分组，核心目标是在可控延迟内从海量物料中取到足够好的候选。

如何实现 NMS 的全过程，包括按 score 排序？

NMS 的流程是按置信度排序，依次保留最高分框，计算它与剩余框的 IoU，并删除重叠过高的候选框，直到候选框处理完。

推荐系统如何解决马太效应？

推荐系统的马太效应是热门内容获得更多曝光后继续变热，长尾内容越来越难被发现，需要从召回、排序、重排、探索和评估偏差一起治理。

如何提高冷门商品的推荐效果？

提高冷门商品推荐效果，需要解决行为稀疏、曝光不足和模型偏热门的问题，常用内容特征、相似召回、探索流量、重排扶持和分层评估共同处理。

当模型出现 bad case 时，如何分析并改进？

模型 bad case 分析要先复现和分层定位，再判断是数据、特征、标签、模型、阈值还是业务分布问题，最后用可验证实验闭环改进。

RAG 可以做哪些优化？

RAG 优化要覆盖切分、索引、召回、重排、上下文组装、生成约束和评估闭环，不能只停留在换 embedding 模型。

如何缓解过拟合？

缓解过拟合要从数据、模型容量、正则化、训练策略和评估切片一起回答，核心是降低模型对训练集噪声和偶然模式的依赖。

同题还出现在 1 个公司岗位

什么是随机森林？

随机森林是用多棵决策树做 Bagging 集成的方法，通过样本随机和特征随机降低单棵树的方差，最终用投票或平均得到更稳的预测。

常见的文本特征提取器有哪些？

文本特征提取器可以从传统稀疏特征、统计特征、词向量、上下文 embedding 和任务特征几类回答，关键是说明适用场景和优缺点。

单进程服务器中某个客户端不调用 recv 时，阻塞和非阻塞模式会怎样？

客户端不调用 recv 时，服务端发送缓冲区会逐渐积压；阻塞模式可能卡住整个单进程服务，非阻塞模式会返回 EAGAIN，需要事件驱动和背压处理。