-吉比特：

1. 有没有做数据预处理。 有没有学过大模型lora微调。
2. 学过哪些推荐算法的模型。
3. 决策树用到的损失函数
4. 二元分类有哪些指标？ 查准率，召回率。AUC是什么
5. python 的 append跟extend的区别 总结： 机器学习基础比较薄弱，同时需要去实习。

-字节跳动：

1. 有没有用过大模型微调，lora
2. 多目标推荐用哪些模型，怎么做分数融合
3. transformer的QKV怎么计算，有没有用激活函数
4. 推荐系统中，什么是连续数据，什么是离散数据，怎么处理。连续数据除了设阈值，还能怎么处理。
5. 召回中，除了设计规则，能不能用语义上的网络。
6. 序列特征是怎么输入到排序模型的。
7. 正负样本是怎么被一起输入到模型的。
8. 如何保证输出的id不超出范围。

-shein

1. 对落地页特征做处理，提取有效信息。用分类模型（bert）或者大模型。
2. 设计语义id, 先用bert模型，找相似广告，再用层次聚类，最后做一个映射表，映射到训练集的广告id。
3. dpr比赛，不要用大模型续写，而是用大模型提取有效特征。

-快手nlp

1. 除了bert跟word2vec，还有哪些做文本embedding的方法

2. 怎么处理样本不平衡，采样，数据增强（有什么方法），损失函数 对损失大的，用更大的权重，损失小的用小的权重。

3. rnn, lstm。lstm怎么通过门控制解决梯度消失跟梯度爆炸。

4. 模型融合有什么方法，树GBDT

5. 用bert有什么缺点

6. 为什么用AUC，模型鲁班性层面