【面经&八股】搜广推方向：常见面试题（四）

已于 2023-11-26 22:35:05 修改
阅读量403 收藏 1
点赞数 1
分类专栏： 搜广推等—算法面经 文章标签： 算法 推荐算法
于 2023-11-26 22:32:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_51392112/article/details/134634416
版权
这篇博客整理了搜索广告推广领域的面试常见问题，包括CTR和CVR模型的区别、ESMM模型的原理、用户/项目相似度和特征相关性的衡量指标、ROC曲线绘制、超参数调优方法、Softmax的上溢下溢问题、LR中连续特征离散化的原因、在线学习的含义及其应用，以及特征有效性评估和NDCG排序指标。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【面经&八股】搜广推方向：常见面试题（四）

文章目录

1. ctr 和 cvr 模型有什么不同。ESMM模型

样本空间不同

  • CTR 输入是召回Item，输出为 点击率。
  • CVR 输入是点击的Item，输出为 转化率。

ESMM 模型图
在这里插入图片描述

  • 在ESMM模型中，业务目标为推荐物品后的转化率（收益），所以模型采用CTR×CVR=CTCVR作为线下指标。故采用了共享Embedding层的两个模块设计了一个多任务学习的框架——ESMM。
  • ESMM的两个模块分别输出CTR与CVR并共同训练，最终输出为CTCVR（CTR×CVR），从而避免了割裂曝光->点击->转化的这一整个流程，且使整个模型的训练在同一个样本空间。
  • ESMM的精华在于：
    • 1）CTR和CVR模块共享Embedding层（多任务学习）。
    • 2）隐式地学习CVR模
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【面经&八股】搜广推方向：面试记录（一）
Danger的博客
11-27 1389
【面经&八股】搜广推方向：面试记录（一）
【面经&八股】搜广推方向：面试记录（五）
Danger的博客
02-28 415
【面经&八股】搜广推方向：面试记录（五）
[搜广推]王树森推荐系统笔记——双塔模型
m0_69281817的博客
12-20 1075
双塔模型详解
[搜广推]深度学习推荐模型（7）——注意力机制在推荐模型中的应用
m0_69281817的博客
12-26 877
注意力机制”来源于人类最自然的选择性注意的习惯。最典型的例子是用户在浏览网页时，会选择性地注意页面的特定区域，忽视其他区域。基于这样的现象，在建模过程中考虑注意力机制对预测结果的影响，往往会取得不错的收益。
一文梳理工业界大模型推荐落地经验
m0_48891301的博客
03-11 777
从传统sequential recommender问题出发，探讨GRs如何改造传统建模范式。传统的序列推荐，通常只使用用户交互过的正样本item来构造序列。这里面包含两层含义，仅使用itemID来表征item、仅使用正反馈来构造序列。前者会忽略item的各类category语义信息、后者无法捕捉一些真实后验行为(如ctr)。GR通过两方面来分别解决这两个问题。a. 通过引入辅助信息并合并到主序列实现对稀疏类别特征的建模。
[搜广推]深度学习推荐模型（8）——DIN详解
m0_69281817的博客
12-27 1808
DIN利用注意力机制来捕捉用户历史行为与候选广告之间的相关性，从而为每个候选广告动态地调整用户行为特征的权重。
搜广推模型构建及应用 & 深度学习工程应用两个场景
十一月廿七风雨大作
07-12 6663
作者讲的太好了，一看就是在业务上摸爬滚打很多年的资深算法。内容介绍一、爆发的三要素二、深度学习。
盘点下2024年工业界大模型在搜广推上的实战落地型工作
2401_84204207的博客
02-17 1271
从传统sequential recommender问题出发，探讨GRs如何改造传统建模范式。传统的序列推荐，通常只使用用户交互过的正样本item来构造序列。这里面包含两层含义，仅使用itemID来表征item、仅使用正反馈来构造序列。前者会忽略item的各类category语义信息、后者无法捕捉一些真实后验行为(如ctr)。GR通过两方面来分别解决这两个问题。a. 通过引入辅助信息并合并到主序列实现对稀疏类别特征的建模。
【面经&八股】搜广推方向：常见面试题（六）
Danger的博客
11-27 1028
【面经&八股】搜广推方向：常见面试题（六）
【面经&八股】搜广推方向：面试记录（四）
Danger的博客
11-28 863
【面经&八股】搜广推方向：面试记录（四）
面试文档-里面有面经和八股文总结
最新发布
04-07
而所谓的八股文总结，通常是指对某一行业或领域的常见面试题目的梳理，以及针对这些问题的答案和思考方向的整理。通过阅读和学习这些资料，求职者可以提前做好准备，提高面试的成功率。 这份面试文档适用于不同层级...
【面经&八股】搜广推方向：常见面试题（一）
Danger的博客
11-26 1141
【面经&八股】搜广推方向：常见面试题（一）
推荐算法面试
qq_35566468的博客
05-06 1002
阿里推荐模型 DIN、DIEN、MMOE、ESMM Shared Bottom 网络位于底层，多个任务共用这一层。往上，K个子任务分别对应一个tower network。任务相关性越高，模型的loss可以降低到更低；不相关任务学习效果不佳(这种Hard parameter sharing)。 为了解决这个问题，Google提出了Soft para
算法工程师面试八股（搜广推方向）
打瞌睡_的博客
12-02 9778
文章目录机器学习线性和逻辑回归模型逻辑回归二分类和多分类的损失函数二分类为什么用交叉熵损失而不用MSE损失？偏差与方差Layer Normalization 和 Batch NormalizationSVM数据不均衡特征选择排序模型树模型进行特征工程的原因GBDTLR和GBDTRF和GBDTXGBoost二阶泰勒展开优势为什么快防止过拟合处理缺失值树停止生长条件处理不平衡数据树剪枝选择最佳分裂点Scalable性特征重要性调参步骤过拟合解决方案对缺失值不敏感XGBoost和RF单棵树哪个更深？XGBoost
ESMM的理解和高频面试问题
weixin_38381682的博客
02-24 1408
ESMM的理解首先，理解部分主要是ESMM要解决什么问题，以及解决方案。弱未度过原文的可以查阅原论文。ESMM的理解——ESMM要解决什么问题Sample Selection Bias (SSB) ：传统的cvr模型是基于点击的样本建模，而线上预估是在全局样本上预估——即所有候选集上。这就出现了线下训练的样本空间（有点击样本）和预估的样本空间（全局样本）有偏差，即样本空间分布不同，这就是所谓的SSB问题。
NLP与搜广推常见面试问题
CSN-001的博客
07-30 602
1 auc指标 AUC的两种意义 一个是ROC曲线的面积 另外一个是统计意义。从统计学角度理解，AUC等于随机挑选一个正样本和负样本时，模型对正样本的预测分数大于负样本的预测分数的概率。下图为搜广推场景下的一个计算auc的例子
算法工程师面试八股（搜广推方向）_算法岗八股，2024年最新大数据开发开发必会技术
2401_84181536的博客
04-14 1198
∂σ2∂Zi∂L∂μ∂μ∂Zi∂L∂Znormi1σ2ϵ∂L∂σ22Zi−μm∂L∂μ1m。
【面经&八股】搜广推方向：面试记录（十）—最近的一些面试汇总
Danger的博客
03-26 862
【面经&八股】搜广推方向：面试记录（十）—最近的一些面试汇总
【记录贴 | 持续更新】搜广推/aigc 面试题记录
weixin_45724176的博客
08-11 1285
BERT基于Transformer的编码器（Encoder）架构，利用了多层的Transformer编码器来处理输入文本。是一种双向模型。BERT采用了“预训练+微调”的方法。它首先在大规模的文本语料库上进行无监督的预训练，然后通过监督学习在特定任务上进行微调。预训练MLM：随机遮盖输入文本中的一些单词，并要求模型预测这些被遮盖的单词。数据量：BERT会随机选择15%的单词，并用一个特殊的[MASK]标记替换其中的80%，用其他随机单词替换10%，保留原始单词的10%。NSP。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

秋冬无暖阳°

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值