收藏 | 推薦系統(tǒng)面試題（6-10）
文 | 七月在線
編 | 小七
Q1
如何理解圖卷積算法？
解析：
1）發(fā)射（send）每一個(gè)節(jié)點(diǎn)將自身的特征信息經(jīng)過(guò)變換后發(fā)送給鄰居節(jié)點(diǎn)。這一步是在對(duì)節(jié)點(diǎn)的特征信息進(jìn)行抽取變換
2）接收（receive）每個(gè)節(jié)點(diǎn)將鄰居節(jié)點(diǎn)的特征信息聚集起來(lái)。這一步是在對(duì)節(jié)點(diǎn)的局部結(jié)構(gòu)信息進(jìn)行融合
3）變換（transform）把前面的信息聚集之后做非線性變換，增加模型的表達(dá)能力
Q2
GCN有哪些特征？
解析：
1.GCN 是對(duì)卷積神經(jīng)網(wǎng)絡(luò)在 graph domain 上的自然推廣
2.它能同時(shí)對(duì)節(jié)點(diǎn)特征信息與結(jié)構(gòu)信息進(jìn)行端對(duì)端學(xué)習(xí)，是目前對(duì)圖數(shù)據(jù)學(xué)習(xí)任務(wù)的最佳選擇
3.圖卷積適用性極廣，適用于任意拓?fù)浣Y(jié)構(gòu)的節(jié)點(diǎn)與圖
4.在節(jié)點(diǎn)分類(lèi)與邊預(yù)測(cè)等任務(wù)上，在公開(kāi)數(shù)據(jù)集上效果要遠(yuǎn)遠(yuǎn)優(yōu)于其他方法Q3
已知基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)和優(yōu)化技術(shù)在單場(chǎng)景內(nèi)的A/B測(cè)試上，點(diǎn)擊率、轉(zhuǎn)化率、成交額、單價(jià)都取得了不錯(cuò)的效果。?但是，目前各個(gè)場(chǎng)景之間是完全獨(dú)立優(yōu)化的，這樣會(huì)帶來(lái)哪些比較嚴(yán)重的問(wèn)題 ？
解析：
1.不同場(chǎng)景的商品排序僅考慮自身，會(huì)導(dǎo)致 用戶的購(gòu)物體驗(yàn)是不連貫或者雷同的 。例如：從冰箱的詳情頁(yè)進(jìn)入店鋪，卻展示手機(jī)；各個(gè)場(chǎng)景都展現(xiàn)趨同，都包含太多的U2I（點(diǎn)擊或成交過(guò)的商品）；
2.多場(chǎng)景之間是博弈（競(jìng)爭(zhēng)）關(guān)系， 期望每個(gè)場(chǎng)景的提升帶來(lái)整體提升這一點(diǎn)是無(wú)法保證的 。很有可能一個(gè)場(chǎng)景的提升會(huì)導(dǎo)致其他場(chǎng)景的下降，更可怕的是某個(gè)場(chǎng)景帶來(lái)的提升甚至小于其他場(chǎng)景更大的下降。這并非是不可能的，這種情況下，單場(chǎng)景的A/B測(cè)試就顯得沒(méi)那么有意義，單場(chǎng)景的優(yōu)化也會(huì)存在明顯的問(wèn)題。Q4
什么是多場(chǎng)景聯(lián)合排序算法 ？
解析：
多場(chǎng)景聯(lián)合排序算法，旨在提升整體指標(biāo)。我們將多場(chǎng)景的排序問(wèn)題看成一個(gè)完全合作的、部分可觀測(cè)的多智能體序列決策問(wèn)題，利用Multi-Agent Reinforcement Learning的方法來(lái)嘗試著對(duì)問(wèn)題進(jìn)行建模。該模型以各個(gè)場(chǎng)景為Agent，讓各個(gè)場(chǎng)景不同的排序策略共享同一個(gè)目標(biāo)，同時(shí)在一個(gè)場(chǎng)景的排序結(jié)果會(huì)考慮該用戶在其他場(chǎng)景的行為和反饋。這樣使得各個(gè)場(chǎng)景的排序策略由獨(dú)立轉(zhuǎn)變?yōu)楹献髋c共贏。由于我們想要使用用戶在所有場(chǎng)景的行為，而DRQN中的RNN網(wǎng)絡(luò)可以記住歷史信息，同時(shí)利用DPG對(duì)連續(xù)狀態(tài)與連續(xù)動(dòng)作空間進(jìn)行探索，因此我們算法取名MA-RDPGQ5
IRGAN框架具體是什么？
解析：
評(píng)論
圖片
表情