快手OneRec算法岗一二面面经

一、一面

1. 生成式召回模块在推荐链路中如何落地？是新增独立召回通路，还是替换原有通路？
2. 层级SID结构优化为单层表征后，模型输入、输出发生了哪些变化？舍弃层级结构的核心原因是什么？（多层追问）
3. 线上模型的迭代更新机制是什么？如何区分全量更新与增量更新？线上特征与模型结果是离线预计算还是实时生成？
4. 长序列召回模型的整体架构、核心特征构成、损失函数设计逻辑详细说明。
5. 线性注意力与标准多头注意力的核心差异是什么？线性注意力降低计算复杂度的底层原理？
6. 算法手撕：三数之和

二、二面

1. 若借助大模型AI技术优化OneRec推荐效果，请按照「业务指标定位→数据优化→模型迭代→效果评估→业务闭环」完整阐述落地思路。
2. 若你提出的所有AI优化方案，均被业务方、技术评审否决，后续如何推进工作？
3. 四层SID结构简化为单层结构的核心痛点是什么？该项目真正的创新价值体现在哪里？
4. 项目选择DPO优化方案的原因？横向对比PPO、GRPO三类优化算法的适配差异。
5. 广告场景中，曝光量、消耗、ADVV指标同步上涨，如何科学判断效果优劣？不能只看数据绝对值。
6. LoRA的A、B矩阵初始化方式是什么？RMSNorm与LayerNorm的适用场景区别？AUC与GAUC指标的选用边界。