【秋招算法】2025 届搜广推方向求职历程（SSP、头部计划）

已于 2025-02-28 19:21:28 修改
阅读量617 收藏 1
点赞数 1
分类专栏： 搜广推等—算法面经 文章标签： 面试 职场和发展 算法
于 2024-11-17 19:57:56 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/136221886
版权

【秋招算法】2025 届搜广推方向求职历程（SSP、头部计划）

文章目录

1. 背景

2. 日常实习

  • 2023年11月份

    • 字节，offer

  • 2024年3月份

    • 小红书
      • 推荐算法一面g（没怎么刷题，最长递增子序列、非递归前序遍历两道题没写出来，hot100，难崩）
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 1299
【面经&八股】搜广推方向：面试记录（一）
搜广推 知识脉络整理
weixin_43646592的博客
02-02 1338
NLP 搜广推 知识脉络整理 开始 搜广推 的学习~ 本节我先来理清要学的知识和模型，然后后面我整理好各模型的讲解再在本文对应位置加上超链接。
喜提一份 ‘凡尔赛’ 式的搜广推面经！
abcdefg90876的博客
12-11 3793
前言 作者是一名今年参加校招的应届生，更是小编的校友学弟，本文写在校招结束三个月后。 希望通过这篇秋招总结帮助到想找搜广推算法岗的后来人。先说一下我个人的情况，非计算机...
盘点下2024年工业界大模型在搜广推上的实战落地型工作
最新发布
BlueSocks152的博客
02-25 823
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] 王树森推荐算法——概要
m0_69281817的博客
12-12 1225
王树森推荐算法笔记整理01——概要
搜广推基础架构
厉力文武
01-22 875
报警系统：业务指标来自于打点系统，根据设置的阈值报警和报错，并将消息发送到技术人员的手机等设备上；日志系统：存储生产环境下的日志数据，提供实时查询，帮助问题排查和定位，存储失效期比较短；打点系统：记录生产环境下各个系统的实时操作，方便统计、聚合、查看业务的各项运行指标；用户中心：保存全量用户基础信息，如 ID、年龄、性别、地域、教育程度及兴趣标签；内容详情平台：保存内容的详细信息，如标题、正文、图片、视频及超链接等；
搜广推算法需求
insist0114的博客
04-20 804
有内容，新闻，短视频等行业的大规模推荐系统研发经验者优先；1.从事机制策略方向的工作，站在竞价广告的最终端，以最贴近业务的方式理解竞价广告，通过策略的研发、推荐技术的优化、自动化客户的服务，体系化的提升商业化变现效率。1.利用丰富优质的内容和海量的用户行为，结合具体的业务场景，优化搜索广告转化率模型，不断提高模型预估的准确度，从而提高搜索广告的投放效果。4. 踏实勤奋，自我驱动，善于沟通，勤于思考，有持续学习新知识的能力，有较强的逻辑思维能力，抽象、概括和总结能力，对于技术有热情。
一点搜广推的小知识
Angus
05-19 1098
搜广推，解决的核心问题是信息过载，在海量的数据中，信息中做大海捞针的事情。我自己的真是感受，搜索要分为不同的领域。电商、视频、内容搜索是完全不同的，它们的特征差异很大。知识搜索（或者说问答搜索）又是完全区别于电商和视频的。知识搜索更加关注的是对或者不对，又或者说有或者没有。推荐和搜索的思路是相近的。都是召回，粗排，精排，重拍。通常从粗排就开始使用一些模型了。而模型通常更多的是需要特征的构建。
搜广推系统流程
厉力文武
01-22 627
用户上下文：请求用户中心，根据 UID 获取用户基本信息和扩展信息，基本信息为长期无频繁变动的信息，如年龄、性别、地域等，扩展信息为用户中期和短期内频繁变动的信息，如长期（短期）兴趣标签、话题、屏蔽关键字、关注用户、拉黑用户等；请求内容池，根据内容 ID 获取内容详情，详情包括基本信息，如标题、正文、作者，话题、标签、关键字等；内容过滤：包括自身、作者、话题、回答、视频、空标题、空内容、管控内容等；
LLM春招，搜广推，nlp(2)
qq_43058281的博客
03-05 1369
L1范数: 为x向量各个元素绝对值之和。L2范数: 为x向量各个元素平方和的1/2次方，L2范数又称Euclidean范数或Frobenius范数Lp范数: 为x向量各个元素绝对值p次方和的1/p次方.SGD（Stochastic Gradient Descent）、Adam 和动量优化 SGD（Momentum Optimized SGD）都是常用的优化算法，用于训练神经网络模型。它们的主要区别在于更新参数的方式和对学习率的调整方式。
搜广推之特征工程：基本原理和前沿研究（2023）
nihaomafb的博客
09-24 1578
本文主要结合以往工作经验和前沿论文，来分析工业界和学术界中特征工程相关研究点，以及对未来发展的思考。
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 5640
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。
《搜广推算法指南》(2024版) 重磅发布！
机器学习社区
04-04 5613
因篇幅有限，《搜广推算法指南》（2024版）部分目录如下。本次增加了业内推荐系统与大模型相结合的实践案例，增加了最新的搜广推与大模型相结合的面试题，丰富了搜广推的基础理论、编程能力部门，删除了一些过时的内容。
搜广推策略产品经理——互联网大厂搜索+广告+推荐案例
清图出版
12-11 1681
徐修建，前第四范式AI解决方案专家，为国内多家大型零售和金融企业提供过AI咨询服务，曾为国内领先的零售企业从0到1搭建搜索引擎和推荐系统;现为某互联网大厂商业化策略产品专家，负责站内推荐广告投放平台建设和流量策略设计。伦敦大学国王学院数据科学硕士，知乎科技互联网领域知名博主，人人都是产品经理网站专栏作家，公众号“King James讲策略主理人；熟悉搜索引擎、广告系统和推荐系统的产品技术体系，拥有丰富的搜广推领域实战经验。
算法工程师面试八股（搜广推方向）
打瞌睡_的博客
12-02 8155
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
2024年最新算法工程师面试八股（搜广推方向）_算法岗八股，2024年最新意外收获字节跳动内部资料
2401_84181145的博客
05-14 1046
Adam：本质上是带有动量项的RMSprop，结合了两者的优点，可以为不同的参数计算不同的自适应学习率，实践中常用。tμmt−11−μgttνnt−11−νgt2tmt1−μttnt1−νtθt−ηntϵ​η​AdamW：Adam的变种，主要用于解决权重衰减（weight decay）在Adam中的问题。在计算梯度更新时，将权重衰减的计算从梯度中分离出来，并将其应用于参数更新之前。
太卷！太难！24届算法岗秋招面经(搜广推方向)分享！
机器学习社区
02-26 5212
秋招结束一段时间了，从23年7月开始投递到24年1月最后一场面试,经历了近半年的时间。总的来说23年互联网秋招形式不容乐观，各大厂岗位肉眼可见地减少，难度相对往年也有很大提升。机器学习社区的邀请，分享我的秋招经历，在社区小伙伴的交流中，让我提前懂得了很多，也提供了很多宝贵的面试题。今天我经合自身经验，分享三点：实习真的很重要 我是没打算读博所以实验室的事就做得少一点，挤了时间去实习。每场面试有一大半的时间都在问实习项目，结合一些业务和算法的知识点问而且问得很深。
谈谈AI落地容易的业务-搜广推
人工智能讲师分享前沿技术
05-09 444
对于一个推荐系统，如何识别场景中上下文，如何捕获人的行为和兴趣，如何抓取货的属性，这些都是推荐系统的业务目的，至于用什么算法，用什么模型都是手段，推荐系统最吸引人的也便如此，不同的业务目标有所不同，很多时候还要面对老板们既要又要还要的多业务目标优化，手段变得更加灵活了，甚至有不少点睛之笔的算法和框架出现，甚至是用简单到极致的砍一刀商业模式来解决算法问题，令人拍案叫绝。另一方面，由于计算规模的限制，通常粗排和召回不会用用户信息和物料信息进行大量的交叉分析，而精排阶段可以充分交叉并挖掘更多的特征。
搜广推相关问题——持续更新
Matrix_cc的博客
11-03 459
搜索推荐常见的问题
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