第一章 岗位能力画像与简历优化
岗位能力要求一览
| 能力维度 | 核心要求 | 典型考察形式 |
|---|---|---|
| 数学基础 | 概率论、最优化、矩阵分析 | 手推公式、证明题、算法推导 |
| 模型理解 | 树模型、深度网络、SVM、贝叶斯等原理与优缺点 | 对比问题、原理追问、改进思路 |
| 工程实现 | Python/C++编程、分布式框架（Spark/TF/Pytorch） | 手撕代码、系统设计、复杂度分析 |
| 业务落地 | 场景拆解、特征设计、指标评估、迭代策略 | 项目深挖、A/B实验设计、业务开放题 |
| 软素质 | 逻辑表达、跨团队协作、持续学习 | 行为面试、情景题、动机考察 |
高频面试问答卡片
Q1：请介绍一下你做过的一个机器学习项目（STAR）
🎯 面试官考察点：检验项目真实度、你的角色贡献、问题拆解深度、结果量化能力
📋 回答框架：S(场景) → T(目标) → A(动作) → R(结果)。先说明业务背景，再讲具体技术选型与优化过程，最后用指标收尾。
💬 示例回答：“在电商搜索排序项目中，CTR预估基线为0.12。我基于用户历史行为构建了多模态特征，并引入Wide&Deep模型。通过在线A/B测试，CTR提升8%，GMV增长3%。我负责特征工程与模型调优，并输出实验报告。”
🔁 可能追问：为什么选Wide&Deep而不是DeepFM？特征交叉怎么做的？线上收益是否显著？样本偏差如何处理？
Q2：解释过拟合与欠拟合，如何诊断和解决？
🎯 面试官考察点：对偏差-方差权衡的理解、实际调参经验、能否举出可操作方案
📋 回答框架：定义对比 → 诊断方法（学习曲线/VB误差/训练与验证集loss走势）→ 解决手段（正则化、早停、数据增强、简化模型、集成等）→ 举例说明
💬 示例回答：“过拟合表现为训练loss低、验证loss高。我常用3点诊断：①学习曲线是否差距大 ②模型复杂度是否与数据量匹配 ③特征是否过于稀疏。解决时优先增加L2正则与Dropout，其次收集更多数据或做数据增强。”
🔁 可能追问：L1和L2的区别？Dropout原理？Bagging与Boosting哪个更易过拟合？为什么？
Q3：你对当前大模型（LLM）在搜索/推荐中的应用怎么看？
🎯 面试官考察点：行业视野、批判性思考、是否跟踪前沿、能否结合自身岗位思考
📋 回答框架：先认可趋势 → 指出核心挑战（推理延迟、幻觉、成本）→ 给出落地思路（如LLM做特征增强、少样本生成、用户意图理解）→ 自我定位
💬 示例回答：“LLM在搜索场景中可用于Query改写与意图识别。但直接用于排序延迟过高，我倾向于用蒸馏小模型继承LLM的语义理解能力。在推荐侧，可用LLM生成用户兴趣标签作为特征，离线实验已提升召回5%。”
🔁 可能追问：你提到的蒸馏是怎么做的？LLM幻觉如何避免？评估指标你选什么？如果线上延迟要求<10ms你怎么办？
简历优化提示
将能力画像中各维度体现到简历中：
- 技术栈：明确列出框架（PyTorch/TensorFlow/Scikit-learn）、语言（Python/C++）、分布式工具（Spark/MPI）。
- 项目标题：格式为“项目名 + 算法类型 + 业务收益”，例如“电商推荐系统召回优化：基于双塔模型的Top-K召回率提升12%”。
- 量化描述：每个项目至少包含3个数字（数据规模、实验指标、时间/人数等）。
- 避免泛词：不用“负责”“参与”，多用“主导”“构建”“优化”“实现”。