推荐排序模型的演进脉络
哪些公司问过
答案要点
- LR 依赖人工交叉 → FM/FFM 自动二阶交叉 → GBDT+LR 自动特征组合
- Wide&Deep:Wide 记忆、Deep 泛化;DeepFM、DCN 自动学习低阶和高阶交叉
- DIN/DIEN:基于候选物品的注意力建模用户兴趣
- 多任务:ESMM 解决转化样本选择偏差,MMoE/PLE 缓解任务冲突;多场景用共享+专属结构
- 学习排序范式:pointwise、pairwise(RankNet)、listwise(LambdaMART 等),评估常用 AUC、GAUC、NDCG
易错点
- 只罗列模型名,讲不出每一步解决了什么问题
- 把 Wide&Deep 中 Wide 部分说成自动交叉:原版 Wide 侧仍需要人工交叉特征
- 混淆 AUC 和 GAUC:GAUC 按用户分组计算后加权,更贴近个性化排序
面试官常见追问
- pointwise、pairwise、listwise 有什么区别?
- ESMM 解决了什么问题?
- NDCG 怎么算?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。