文章目录

• 【面经&八股】搜广推方向：常见面试题（三）
• • 1. 如何解决数据不平衡
  • 2. 假设检验的两类错误
  • 3. 为什么快排比堆排快
  • 4. RMSE、MSE、MAE
  • 5. 双塔模型的应用
  • 6. XGBoost如果损失函数没有二阶导，该怎么办
  • 7. AUC是如何实现的，它对正负样本采样是否敏感
  • 8. Batch Normalization
  • 9. 推荐模型——LS-PLM 基于机器学习算法的推荐。（可供扩展：说说你知道的推荐模型）
  • 10. 推荐模型——Airbnb 基于Embedding的实时搜索推荐系统。（一种经典的embedding相似度召回模型）
  • 11. 如何解决推荐系统重复推荐用户已经处理过的item的问题
  • 参考