北京
13本七月在线内部电子书在文末，自取~
公众号福利
回复【100题】领取《名企AI面试100题》PDF
回复【干货资料】领取NLP、CV、ML、大模型等方向干货资料
问题1、召回不准有什么方法提升召回率？
语义检索：使用语义向量空间的检索方式（如ANN、Dense Retrieval）替代传统关键词匹配（BM25）。
预训练模型优化：对召回模型进行微调，让模型更好地适应特定领域。
数据增强：利用同义句生成、数据切分等方式扩大训练集。
问题2、reranker有什么方法？
双塔模型（DSSM/ESM）：独立编码查询和文档后计算匹配分数。
交叉编码器：将查询与文档输入同一模型，通过注意力机制捕获更细粒度的相关性（如BERT-based Cross-Encoder）。
问题3、检索器和reranker的得分太相近，不可靠如何解决？
引入多样化信号：
增加reranker模型的复杂性，捕获更多细粒度的语义信息。
将检索器得分作为reranker输入的一部分，通过学习优化。
改进reranker：
对比学习：通过contrastive loss训练reranker，让得分差距更明显。
样本难度加权：对“难以区分”的样本赋予更高权重，强化模型判别能力。
调整评分方式：
将检索器得分和reranker得分联合使用（如线性加权融合）。
对两者得分进行归一化，降低不同分值范围带来的问题。
增加多阶段排序：
在检索与reranker之间增加中间排序阶段，减少初始误差对最终排序的影响。
问题4、怎么解决模型输出有害的问题？
训练数据优化：
数据清洗：剔除有害、不安全的训练样本。
对抗训练：针对潜在有害输出生成对抗样本进行训练
优化模型设计：
引入多任务学习，加入价值观、伦理约束任务。
使用DPO（Direct Preference Optimization）等方法，通过用户偏好直接对输出进行优化。
问题5、决策树有哪些？
分类与回归树（CART）：支持分类和回归，使用Gini系数或平方误差作为分裂标准。
ID3算法：基于信息增益进行分裂，适用于分类问题。
C4.5算法：改进自ID3，采用信息增益比避免偏向多值属性。
随机森林：基于多个决策树的集成方法，通过Bagging提升性能。
梯度提升决策树（GBDT）：以决策树为基础的集成学习算法，通过Boosting不断优化误差。
问题6、简单说一下GBDT的算法原理
GBDT（Gradient Boosting Decision Tree）通过以下步骤实现：
初始化模型：以数据均值初始化预测值 。
迭代训练：
计算残差：根据上一轮预测值，计算损失函数对目标值的负梯度作为残差。
拟合残差：构建一棵决策树拟合残差。
更新模型：将新树的预测值加权累加到当前模型中。
得到最终模型
问题7、HMM大概是怎么样的
HMM（Hidden Markov Model）是一种用于建模隐变量和观测变量之间关系的概率模型：
基本组成：
隐状态（Hidden States）：不可直接观测的状态集合。
观测序列（Observations）：由隐状态生成的可观测数据。
转移概率（Transition Probability）：隐状态之间的转移概率。
发射概率（Emission Probability）：隐状态生成观测数据的概率。
初始概率（Initial Probability）：初始状态的分布。
三大问题：
概率计算：给定观测序列，计算其出现的概率。
解码问题：给定观测序列，推测最可能的隐状态序列（Viterbi算法）。
参数估计：学习模型参数（Baum-Welch算法）。
应用场景：
自然语言处理中的词性标注、分词。
生物信息学中的基因序列分析。
↓以下13本书电子版免费领，直接送↓
扫码回复【999】免费领13本电子书
（或找七月在线其他老师领取）
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
