一面

1. 介绍一个最有把握的比赛
2. 介绍比赛中itemcf具体做法
3. 在itemcf中如何引入时间间隔信息和位置间隔信息
4. 基于商品属性embedding的召回这么做的
5. Annoy的原理
6. 基于w2v的ANN怎么做的
7. w2v的原理
8. w2v的loss函数
9. loss函数还有哪些
10. 如何解决冷启动问题
11. 如何评价召回的效果
12. 如何把召回的信息引入到排序
13. GBDT，xgboost，lightgbm改进的过程
14. 简单推导xgboost
15. 构建一棵树分裂特征怎么选择
16. 计算分裂增益的方法有哪些
17. LSTM的门机制
18. LSTM相较于RNN的优势
19. transformer的机制
20. 推荐里面深度模型的了解
21. NN怎么达到泛化性
22. 如何保证的稀疏性
23. L1正则为什么可以达到模型的稀疏性

二面

1. 比赛分工
2. embedding存在之前没有出现过id怎么办
3. w2v的样本怎么构造
4. 有没有过滤低频id
5. cbow 与 skip-gram 的区别和优缺点
6. 多任务学习有哪些结构
7. 多个召回怎么合并的
8. 多个召回分数之间是可比的吗
9. 各个召回的权重是怎么选取的
10. 推荐系统里面是如何考虑冷门商品
11. 新增一路召回，在排序阶段需要做什么改进
12. 树模型对离散特征怎么处理的
13. 树模型怎么决定一个叶子结点是否要分裂
14. xgboost正则化项和什么有关

三面

做了三道算法题：leetcode 53.最大子序和，leetcode 75.颜色分类，leetcode 442.数组中重复的数据

四面

1. 介绍项目
2. 算法题：剑指 Offer 60.n个骰子的点数