Банк вопросов
Вопросы на собеседовании: RecSys
Рекомендации должны находить подходящие объекты и учитывать ограничения продукта. Разберите, чем отличаются подбор кандидатов, ранжирование и оценка качества. Объясняя решение, учитывайте холодный старт, обратную связь пользователей и разницу между офлайн-метриками и экспериментом.
Показано 20 из 139 вопросов
Назовите основные проблемы рекомендательных систем и способы их решения
Если A/B тест не показывает разницы по основной метрике (GMV), что делать?
Какие нейросетевые архитектуры для рекомендаций вы знаете?
Какие офлайн и онлайн метрики использовать для рекомендаций? Как проводить A/B?
Какие метрики используются для оценки ранжирования?
Как собирать таргет для задачи ранжирования в поиске?
Есть ли опыт с трансформерными моделями для ранжирования?
Как учесть контекст сессии пользователя при ранжировании? Например, подбор аксессуаров к уже выбранному товару.
Как оптимизировать ранжирование на маржу/выручку, а не просто на количество продаж?
Как использовать мультимодальные фичи (текст + картинки) товаров для улучшения ранжирования?
Как работает Implicit ALS (Alternating Least Squares) для неявного фидбека?
Расскажите про ваш последний опыт с рекомендательными системами: что делали, как, какие результаты?
Расскажите про реализацию трансформер-based рекомендера (SASRec): данные, обучение, результаты.
В чём разница между метриками NDCG и MAP в ранжировании?
Какие типы loss-функций используются в задачах ранжирования?
Расскажите про ваш личный вклад в задачи рекомендаций: item-to-item и transformer-based.
Подготовьтесь к следующему интервью с Vibe Interview.
Скачать Vibe Interview