岗位题目
算法相关面试题第 6 页
Transformer 的核心结构和自注意力原理是什么？
Transformer 的核心结构和自注意力原理是什么？这道腾讯牛客题的关键是围绕“Transformer 结构与自注意力”讲清概念、机制、取舍和边界。Transformer 的核心由多头自注意力、前馈网络、残差连接、LayerNorm 和位置编码组成。自注意力通过 Q、K、V 计算 token 之间的相关性，再用相关性加权聚合值向量。
同题还出现在 1 个公司岗位
Linux 中 source 命令的作用是什么？
Linux 中 source 命令的作用是什么？这道腾讯牛客题的关键是围绕“Linux source 命令”讲清概念、机制、取舍和边界。source 或 . 命令会在当前 shell 进程中执行脚本，而不是启动新的子 shell。因此脚本里导出的环境变量、函数、alias 或 cd 修改会影响当前 shell 会话。
常见聚类算法有哪些，各自适用什么场景？
常见聚类算法有哪些，各自适用什么场景？这道腾讯牛客题的关键是围绕“常见聚类算法场景选择”讲清概念、机制、取舍和边界。常见聚类算法包括 K-means、层次聚类、DBSCAN、GMM 和谱聚类。选择时要看簇形状、是否需要指定 K、噪声/离群点、样本规模、距离度量和是否需要软分配。
DBNet 和 CTC 分别解决 OCR 中的什么问题，核心原理是什么？
这题考 OCR 检测和识别两段核心链路：DBNet 负责把文字区域找出来，CTC 负责在无字符级对齐标注时训练序列识别。
笔记里多个实体和情感词如何抽取实体-情感关系？
这题考面向真实文本的关系抽取方案，重点是先识别实体和情感词，再做候选配对、关系判断和冲突消解。
KG embedding 如何支持 mini-batch 训练，图谱属性缺失怎么处理？
这题考知识图谱表示学习的工程训练能力：mini-batch 训练要处理三元组采样、负采样和邻域依赖，属性缺失要区分未知、不可用和真实为空。
InfoNCE 的温度系数有什么作用？
温度系数控制 InfoNCE 对相似度差异的敏感程度，本质是在调 softmax 分布的尖锐度、梯度强度和难负样本权重。
YOLOv3 的结构、多尺度预测和损失函数是什么，YOLOv4 相比 YOLOv3 有哪些改进？
这题考 YOLO 系列检测器的完整理解：YOLOv3 的 backbone、neck、head、多尺度 anchor 预测、损失组成，以及 YOLOv4 的训练和结构增强。
订单粒度和人车粒度做派单召回有什么区别？
这题考派单系统的召回建模粒度：订单粒度从订单找候选司机，人车粒度从司机或人车状态找候选订单，差异体现在实时性、容量约束和全局匹配效率。
如果资源无限，去掉召回直接全量排序会怎样？
这题不是简单问算力，而是考推荐系统为什么分召回、粗排、精排：全量排序可能提升候选覆盖，但会改变样本分布、模型目标和系统约束。
XGBoost 如何处理缺失值，为什么目标函数要二阶展开？
这题聚焦 XGBoost 两个核心机制：缺失值通过学习默认分裂方向处理，二阶展开用梯度和 Hessian 近似目标函数以高效评估分裂收益。
MTCNN 的模型结构和训练过程是怎样的？
MTCNN 是级联式人脸检测和关键点定位框架，核心是 P-Net、R-Net、O-Net 逐级候选、筛选、精修，并用多任务损失联合训练。
给店铺卖家发放贷款并控制逾期率，特征工程如何设计？
这题考风控特征工程的完整框架：围绕逾期风险定义标签、时间窗口、主体画像、经营现金流、历史履约、异常行为和数据泄漏控制。
个激光雷达的车如何设计点云分割算法？
这题考多激光雷达点云感知方案，重点是标定同步、多雷达融合、点云表示、分割网络、时序和实时性。
Wide&Deep 的原理是什么，为什么适合推荐系统？
Wide&Deep 将线性 wide 部分和深度 deep 部分联合训练。wide 侧擅长记住高频、明确的交叉规则，deep 侧通过 embedding 和多层网络学习稀疏特征的泛化表示，因此适合同时需要记忆历史共现和泛化到新组合的推荐系统。
膨胀卷积和模型压缩分别解决什么问题？
膨胀卷积主要在不增加太多参数和不降低特征图分辨率的情况下扩大感受野，常用于分割、检测等需要上下文的视觉任务。模型压缩主要解决模型体积、推理延迟、显存和功耗问题，常见方法包括剪枝、量化、蒸馏、低秩分解和轻量化结构设计。
关键词不在库里但商品对应另一个关键词，怎么解决？
这是电商搜索中的 query 覆盖与语义召回问题。可通过同义词和别名词库、query rewrite、拼写纠错、类目和属性归一、向量召回、用户行为挖掘等方式，把未入库关键词映射到可召回商品的标准词或相关词，同时通过相关性排序和人工审核控制误召回。
XGBoost 是决策树还是回归树，训练过程怎样？
XGBoost 是梯度提升树框架，基学习器通常是 CART 回归树。即使用于分类任务，每棵树的叶子输出也是连续分数，用来拟合当前目标函数的一阶、二阶梯度残差方向。训练过程是逐轮加树，每轮基于当前预测计算梯度统计，枚举分裂点最大化增益，确定树结构和叶子权重，再更新整体预测。
如何设计一个用车需求量预估算法？
用车需求量预估本质是时空序列预测：在给定城市区域和时间窗口内预测未来订单请求量。完整方案包括区域划分、时间粒度定义、历史订单和供需特征构建、天气节假日活动等外部特征引入、时序或时空模型训练，以及用 MAE、RMSE、MAPE 和调度收益做离线与在线评估。
SVD 和 SVD++ 有什么区别？
推荐系统里的 SVD 通常指矩阵分解，将用户和物品映射到隐向量，用内积预测评分或偏好。SVD++ 在此基础上引入用户的隐式反馈物品集合，把用户交互过的物品隐向量聚合进用户表示，因此能利用浏览、点击、收藏等未显式评分行为，缓解评分稀疏问题。
用 GNN 做推荐时，哪些因素最重要？
用 GNN 做推荐最重要的是图怎么构建、边表示什么、节点和边特征是否可靠、采样和聚合如何保留有效邻居、层数如何避免过平滑、训练目标是否贴近排序任务，以及线上是否能承受图更新和推理成本。GNN 的优势在于利用高阶邻居和关系结构，但效果高度依赖图质量。
如何设计一个基于历史搜索关键词的推荐系统？
基于历史搜索关键词的推荐系统要把用户 query 历史转成可用兴趣画像，再匹配候选内容或广告。设计重点包括 query 日志表、用户画像表、关键词标准化与类目映射表、候选物料表、曝光点击转化日志表，以及召回、排序、过滤和反馈闭环。
万用户数据中有 5% 标签错误，如何用算法找出错误样本并赋予正确类别？
这道题考察 label noise 场景下的数据质量诊断和训练闭环。回答时要先区分“找出疑似错标样本”和“给出可信新标签”两个目标，再用交叉验证预测、模型分歧、邻域一致性和人工或高置信规则校验构建可控流程。
LDA 是什么，Dirichlet 分布和共轭分布在主题模型中有什么作用？
LDA 是 Latent Dirichlet Allocation，用文档-主题分布和主题-词分布解释文本集合。Dirichlet 分布为多项分布参数提供先验，控制主题和词分布的稀疏程度；共轭性质让后验更新和 Gibbs 采样、变分推断更容易处理。
VAE 中的 V 表示什么，KL 散度在 VAE 里起什么作用？
VAE 的 V 是 Variational，表示用可学习的近似后验 q(z|x) 去逼近真实后验 p(z|x)。KL 散度是 ELBO 中的正则项，约束编码得到的潜变量分布接近先验，保证隐空间连续、可采样，同时与重构项形成清晰的生成质量和分布规整取舍。
如何从数据和搜索两个角度设计一个电影垂直搜索系统？
电影垂直搜索要从数据侧建立结构化电影实体、别名、演员导演、类型、地区、上映时间和资源状态，从搜索侧完成 query 理解、多路召回、相关性排序和结果展示。回答重点是把数据质量、实体归一、检索链路和效果评估连成闭环。
意图识别使用 LR、命名实体识别使用 HMM 时，实体如何提取，模型如何训练？
这道题考察经典 NLP 任务拆分：LR 适合把句子级特征映射到意图类别，HMM 适合把 token 序列映射到 BIO 实体标签序列。回答要讲清文本预处理、特征构造、HMM 初始/转移/发射概率训练、Viterbi 解码和实体字段回收。
决策树的分裂准则有哪些？最大信息增益和最大信息增益比有什么不同，为什么最大信息增益有缺陷？
决策树分裂准则用于选择让子节点更纯的特征和切分点。信息增益看熵下降，容易偏向取值多的特征；信息增益比用特征自身的分裂信息做归一化，缓解多值特征偏置，但也可能偏向分裂信息过小的特征，需要结合阈值和验证效果判断。
DQN 有哪些常见优化版本，DDQN、Dueling DQN、PER 与 PPO 在调参和训练速度上有什么差异？
DQN 是基于值函数的 off-policy 强化学习方法，DDQN、Dueling DQN 和 PER 分别缓解 Q 值过估计、状态价值与动作优势混合、经验采样效率低等问题。PPO 是 on-policy 策略优化方法，调参重点、样本复用和训练速度与 DQN 系列明显不同。
为什么 XGB+LR 可以提高模型效果，XGB 在其中充当什么角色？
XGB+LR 中 XGB 通常充当自动特征组合和非线性分桶器，把样本映射到各棵树的叶子节点，再将叶子索引 one-hot 后交给 LR 学线性权重。它能把原始特征空间中的非线性关系转成稀疏组合特征，同时保留 LR 训练快、可校准、部署简单的优点。
广告排序中 eCPM 如何融合 pCTR、pCVR 和出价，ESMM/MMoE 如何支撑多目标预估？
这道题考察广告排序目标和多目标预估的连接。回答时要先讲清 eCPM 是期望收益排序信号，再说明 pCTR、pCVR、出价分别来自不同任务，ESMM 解决点击后转化的样本选择偏差，MMoE 用共享专家和任务门控支撑多目标学习。
同公司岗位有 2 条面经记录
CVR 建模遇到转化回传延时高时怎么处理，CTR/CVR 的特征和模型结构有什么不同？
这道题考察广告 CVR 的延迟反馈和任务差异。回答要先说明 CVR 标签更稀疏、更延迟、更受点击选择偏差影响，再给出标签窗口、样本成熟、延迟建模、回填训练和离线评估的完整处理方式。
外卖订单请求刷单识别如何建模？
这道题考察订单请求级风控建模。回答要从标签定义、特征体系、模型链路、阈值策略和反馈闭环展开，重点说明刷单识别不是单纯分类，而是要兼顾实时性、误伤成本、样本偏斜和对抗变化。
风险社区检测中，Louvain 和 LPA 应该如何选择？
这道题考察图算法在风控社区检测里的取舍。回答不要只背 Louvain 和 LPA 定义，要结合风险图的边权、噪声、稳定性、可解释性和处置成本说明：高精度离线团伙发现更偏 Louvain，超大规模快速扩散或候选扩展可用 LPA。
风控评分卡建模从样本、分箱到评估监控的流程是什么？
这道题考察风控评分卡的端到端建模能力。回答要覆盖样本定义、时间切分、缺失和异常处理、分箱与 WOE、可解释模型、评分映射、AUC/KS/校准/PSI 评估，以及上线后的稳定性监控。
推荐系统中特征生产、样本快照和线上实时特征如何保持一致？
这道题考察推荐系统特征工程化能力。回答要围绕同一套特征定义、同一时间点语义、同一版本治理和同一监控闭环展开，核心是防止训练样本看到线上拿不到的未来信息，或线上实时特征和离线训练特征口径不一致。
粗排打分样本空间与精排样本空间不一致时，推荐模型如何训练和校正？
这道题考察多阶段推荐的分布偏移。粗排要面对召回池，精排只看到粗排之后的候选；如果用精排曝光样本直接训练粗排，模型会学到被上游筛选后的分布，导致召回池打分不准，需要从样本构造、校正、蒸馏和评估上处理。
加入雷达点云作为第三模态时，3D 多模态感知如何调整表征和对齐策略？
这道题考察 3D 多模态感知的工程化对齐能力。回答要先比较点、体素、BEV、range view 和 query 表征，再说明加入雷达点云后必须处理坐标系、时间同步、运动补偿、稀疏噪声、置信度建模和跨模态融合策略。
教育自动批改纠错任务如何设计 seq2seq 方案，并在最少人力下构造正负样本？
这道题考察教育批改纠错任务如何从“文本生成”落到可训练、可评估的纠错系统。回答要把 seq2seq 的输入输出、正负样本来源、低人力标注策略、过度纠错控制和机器翻译差异讲成一个闭环。
OCR 输出为什么要保留 bbox 和 spatial layout，后续如何给多模态理解模型使用？
这道题考察 OCR 结果如何从纯文本升级为可供多模态理解使用的结构化表示。回答重点不是检测识别算法，而是 text、bbox、reading order、confidence 和视觉区域如何一起进入下游模型。
Qwen-VL 如何压缩图片 token，多模态大模型中图像 token 和文本 token 的处理链路有什么差异？
这道题考察多模态大模型里视觉 token 的压缩和图文 token 进入 LLM 前的差异。回答要说清图片先变成连续视觉特征再压缩投影，文本则经过离散 tokenizer 直接得到词向量，两者在融合前的链路不同。
Thompson Sampling 和 UCB 在推荐探索中分别适用什么场景，CTR 预估模型如何配合？
这道题考察推荐场景里的探索利用权衡。回答要以 Thompson Sampling 和 UCB 的选择为主轴，把 CTR 预估模型放在奖励估计、特征表征和不确定性建模的位置，而不是展开成 CTR 模型百科。
NLP 模型接入搜索排序链路时，特征接口和上线评测指标如何设计？
这道题考察 NLP 模型从离线效果走向搜索排序链路的工程化边界。回答要覆盖特征接口、排序接入、延迟降级、日志闭环和离线/在线评测，而不是只介绍某个 NLP 模型。
出行派单中，如何建模乘客对“顺路”的感知，并构造训练数据？
这道题考察出行派单里如何把“地理上看似顺路”转成“乘客主观感知也顺路”的可训练问题。高质量回答要讲清建模目标、弱监督标签、规则样本、特征设计、偏差处理、评估指标和线上体验护栏，而不是只回答最短路或 ETA。
电商补贴/优惠券场景中，新增优惠券特征后如何设计模型目标，避免购买倾向与券价值关系失真？
这道题考察优惠券进入购买倾向模型后，如何避免模型把“高券发给低意向用户”的历史策略误学成券越大越不想买。回答要围绕目标定义、券价值归一化、单调约束、选择偏差校正、校准评估和补贴 ROI，而不是罗列电商 CTR/CVR 特征。
内容风控中，品牌 logo 风险识别如何兼顾召回、业务管控标准和无关商品过滤？
这道题考察内容风控里的品牌 logo 风险识别如何从“把疑似风险尽量捞出来”走向可上线的业务闭环。回答要覆盖检测识别链路、隐藏真实风险总量下的召回评估、业务管控标准、无关商品过滤、人审和主动学习，以及离线/在线指标和误杀漏放取舍。
出行派单中，给定乘客-司机候选边和权重，如何建模最大权匹配？
这道题考察出行派单如何从“乘客和司机两两配对”抽象成带约束的最大权二分图匹配。高质量回答要先定义候选边和权重，再讲一对一约束、不可匹配处理、算法选择、在线批量求解、业务护栏和效果评估，而不是只背匈牙利算法。
LLM 微调项目里新数据加入后离线评估掉点，应该如何排查数据、训练和评估口径？
这道题考察 LLM 微调项目的掉点诊断能力。回答重点不是背 SFT 或 LoRA 方法名，而是把新数据引入后的数据 pipeline diff、质量和格式漂移、分布混合比例、训练 schedule、评估集回归、指标切片、Recall/Precision 取舍和上线决策串成一套可执行排查流程。