3.3 热门技术相关

3.3.1 Embedding

• 介绍下item2vec模型
• embedding冷启动怎么做
• w2v的原理了解嘛，详细讲
• w2v的原理，用的什么方法，skip-gram怎么做
• Deepwork的思想
• Node2vec随机游走策略
• word2vec的loss怎么设计的
• word2vec的工具
• 用户embedding了解嘛
• word2vec对顺序敏感的原因，窗口大小选用多少
• DeepWalk相比序列embedding优缺点，对那一部分item影响最大
• w2v用的哪一个，是google13年的那篇嘛

3.3.2 多任务学习

• 多任务学习模型的发展历史详细介绍
• 为什么要用多任务学习
• 介绍MMOE、PLE、ESMM，PLE相对MMOE的改进
• ESSM算法原理和解决的两个问题
• ESMM中如何解决CVR样本过于稀疏的问题，实际上解决了吗
• ESMM训练是否使用全量样本
• 介绍PLE模型
• PLE里面loss如何平衡
• PLE模型中，是否有尝试对不同的gate用不同的特征，是否有尝试不同业务用不同的特征组合
• gradnorm介绍
• 介绍关于多任务权重设置的相关模型或者策略
• 如何平衡不同任务的loss
• 如果一个特征对任务a是正相关，对任务b是负相关，如何处理这个特征
• CTR和CVR任务放在ESMM（都是曝光空间）里和放在PLE（CTR点击空间，CVR曝光空间）里哪种效果好

3.3.3 图神经网络

• GNN在推荐系统中有哪些用法
• GCN、GraphSAGE、GAT的区别与联系
• node2vec对比deepwalk的改进
• GraphSAGE对比GCN的优势
• transductive与inductive的区别
• 训练图模型的loss有哪些
• graph embedding的作用
• GCN图卷积
• 怎么减少感受野
• 讲一下GCN，为什么用拉普拉斯矩阵，优缺点
• GCN图谱了解嘛
• 同质图？异质图？
• 边类型不一样是异质图么
• 什么是local structure 和global structure