大模型推荐算法工程师一面面经

1.生成式推荐与传统推荐区别，详细介绍生成式推荐，优势在哪里？ 2.transformer怎么和推荐系统融合？几种方式？语义id怎么融入推荐系统？作为辅助信息还是作为自回归生成？ 3.生成是推荐放在那个阶段比较好？召回还是精排？ 4.生成式推荐和传统推荐混合召回有什么优势？单独作为一个召回通道又会怎样。 5.RQ-VAE详解，VQ-VAE区别。好处是什么？ 6.码本坍塌和碰撞。怎么解决？ 7.生成式推荐SFT阶段任务介绍。 8.生成式推荐简历函数设计。排序分和命中分。 9.grpo中解码约束。如果grpo只命中了sid前两个token怎么给奖励分。 10.码本碰撞和生成错误商品的评估，cc分。 11.tiger，生成式推荐论文对比，SASRec、TIGER，HSTU，onerec。 12.怎么节省计算量和存储，kvcache，稀疏注意力。 13.怎么降低kvcache空间计算，使用多头注意力？MQA，MoE？ 14.生成式推荐系统的评估有哪些，召回率，命中率，排序多少？ 15.hit指标和NDCG指标怎么计算。公式手写。 16.快手工作流，agent 17.skill和harness engineer 18.agent工具调用调用 19.推荐算法和高德打车业务结合 📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。