收藏 | 推荐系统面试题（6-10）

Posted 2021-05-01 七月在线实验室

文 | 七月在线
编 | 小七

Q1

如何理解图卷积算法？

解析：

1）发射（send）每一个节点将自身的特征信息经过变换后发送给邻居节点。这一步是在对节点的特征信息进行抽取变换
2）接收（receive）每个节点将邻居节点的特征信息聚集起来。这一步是在对节点的局部结构信息进行融合
3）变换（transform）把前面的信息聚集之后做非线性变换，增加模型的表达能力

Q2

GCN有哪些特征？

解析：

1.GCN 是对卷积神经网络在 graph domain 上的自然推广
2.它能同时对节点特征信息与结构信息进行端对端学习，是目前对图数据学习任务的最佳选择
3.图卷积适用性极广，适用于任意拓扑结构的节点与图
4.在节点分类与边预测等任务上，在公开数据集上效果要远远优于其他方法

Q3

已知基于数据驱动的机器学习和优化技术在单场景内的A/B测试上，点击率、转化率、成交额、单价都取得了不错的效果。 但是，目前各个场景之间是完全独立优化的，这样会带来哪些比较严重的问题 ？

解析：

1.不同场景的商品排序仅考虑自身，会导致 用户的购物体验是不连贯或者雷同的 。例如：从冰箱的详情页进入店铺，却展示手机；各个场景都展现趋同，都包含太多的U2I（点击或成交过的商品）；
2.多场景之间是博弈（竞争）关系， 期望每个场景的提升带来整体提升这一点是无法保证的 。很有可能一个场景的提升会导致其他场景的下降，更可怕的是某个场景带来的提升甚至小于其他场景更大的下降。这并非是不可能的，这种情况下，单场景的A/B测试就显得没那么有意义，单场景的优化也会存在明显的问题。

Q4

什么是多场景联合排序算法 ？

解析：

多场景联合排序算法，旨在提升整体指标。我们将多场景的排序问题看成一个完全合作的、部分可观测的多智能体序列决策问题，利用Multi-Agent Reinforcement Learning的方法来尝试着对问题进行建模。该模型以各个场景为Agent，让各个场景不同的排序策略共享同一个目标，同时在一个场景的排序结果会考虑该用户在其他场景的行为和反馈。这样使得各个场景的排序策略由独立转变为合作与共赢。由于我们想要使用用户在所有场景的行为，而DRQN中的RNN网络可以记住历史信息，同时利用DPG对连续状态与连续动作空间进行探索，因此我们算法取名MA-RDPG

Q5

IRGAN框架具体是什么？

解析：