2024.3.30找实习日记

可选方向：传统推荐（急缺）/大模型推荐刚到一批hc！现在非常缺人！部门非常核心，负责主端短视频业务方向的推荐算法。需要有搜推广方向实习经验/paper，比赛获奖也可以，否则可能过不了简历。有意向可私聊我投递简历！可选工作地点：上海新江湾（临近复旦大学、上海财经大学）/北京大钟寺（临近清华大学、北京大学）

本科学的新能源，希望遇到过来人给个指点，谢谢

#实习##蚂蚁##算法#电话面试，光速下班。答出来的不说了。两个没答出来的。1）设计损失函数，让第一大的预测结果和第二大的预测结果差值最大化    直接回答的loss加一个-(first - second)，似乎不被接受。请教了一下AI，它提出了一些可能的方法：    penalty = torch.clamp(margin - (first - second ) contrast_loss = 1 / (first - second + 1e-6) => 距离度量形式进行了改编 rank_loss = F.relu(margin-(first - second)) => 基于ReLU的设计，和1差不多        2）KMEANS聚类的时候，如果先验的已知某些结点不是一类，应该怎么做    step1：对于这个策略，我们可以手动选择聚类中心，确保已知的不应属于同一类的点（例如点A, B, C）从一开始就被分配到不同的聚类中。初始的簇中心点一定满足要求。    step2：执行KMEANS常规的聚类过程。并且检查特定点是否在同一聚类：    每次迭代后，查看点A、B、C的聚类标签。如果发现任何两个（或三个）点属于同一个聚类，那么进入下一步。    step3：重新分配点到其他聚类：为了重新分配，首先计算这些点到所有其他聚类中心的距离。选择一个距离第二近的聚类中心（或根据具体情况选择最合适的），将其中一个或多个点分配到该聚类。    step4：更新聚类中心：在调整了聚类分配后，重新计算所有聚类的中心，以最小化整体的代价函数。这通常意味着要重新计算每个聚类中所有点的平均位置作为新的聚类中心。    重复迭代：step234：继续执行K-means迭代，直到满足收敛条件，即聚类中心的变动非常小或达到预设的迭代次数。沉默太久了，真的折磨，不是我能去的公司，太菜。现在回想，其实也不是太难的问题。可能是太紧张了吧。放平心态继续前行

自我介绍项目：你这个项目，整体架构是什么样的，你做的变化和重构是什么样的？你怎么和团队里的同学去沟通的？这个设计是你发起的还是别人发起你来实现的？所以你做的这个实际上是偏策略性的后台对吧？你们系统之间的服务调用是同步调用还是异步调用？用的什么协议？了解过RPC吗？（RPC只是听过，说的不了解）有没有了解过分布式后台开发的一些技术？（说了分布式锁、分布式ID。但面试官可能想问更宏观一些的东西，就没往深了问。）系统里用了Redis、MySQL吗？如果你系统用户达到了百万级别，你觉得可以怎么样做一些升级改造啊？（主要从性能方面说了一下，网关、接口、缓存、消息队列、数据库优化）了解过服务雪崩吗？什么原...