Прямой вопросAgeCode
Ranking metrics и online guardrails
AgeCode: Техническое собеседование
К понятиям
Рекомендательные системы
Learning to rank
Обучение функции порядка выдачи через поточечные, попарные или списочные функции потерь.
pointwisepairwiselistwiseBPRWARPLambdaRank
33
проверенных вопроса
21
реальное собеседование
17
компаний
Раздел полностью проверен: учтены все опубликованные вопросы с профильной разметкой и отдельно проверенные вопросы по ранжированию. Частотность относится к этому корпусу. Проверка от 2026-07-16.
Что нужно уметь
- Сравнить pointwise, pairwise и listwise подходы
- Связать функцию потерь с NDCG и поведением top-K
Как эту тему спрашивают
Канонические типы вопроса объединяют разные формулировки, но каждая ссылка ведёт на конкретный вопрос из интервью.
Что должно быть в ответе
- Pointwise score
- Pairwise порядок
- Listwise или surrogate для top-K
Прямой вопросApriori
Обучение и оценка реранкера RecSys
Apriori: Техническое собеседование
Прямой вопросGRII RED
Признаки пользователя, товара и корзины для ранжирования
GRII RED: ML System Design
Прямой вопросCIAN
Обучение ранкеров, негативы и сочетание монетизации
CIAN: ML System Design
Прямой вопросCIAN
Микросервисная архитектура и надежность для поискового ранжирования
CIAN: ML System Design
Прямой вопросConstructor
Быстрый baseline ранжирования лучше random
Constructor ML System Design: candidate generation и ranking для e-commerce search
Прямой вопросConstructor
Target для learning-to-rank из implicit feedback
Constructor ML System Design: candidate generation и ranking для e-commerce search
Прямой вопросConstructor
Фичи для marketplace search ranker
Constructor ML System Design: candidate generation и ranking для e-commerce search
Прямой вопросCorSearch
Двухэтапный retrieval/ranking для подбора поставщиков
CorSearch Technical: рексистема по изображениям и векторным признакам
Прямой вопросFairmarkit
Двухэтапный retrieval/ranking для подбора поставщиков
Fairmarkit: Техническое собеседование
Прямой вопросFairmarkit
Двухэтапный retrieval/ranking для подбора поставщиков
Fairmarkit: ML System Design
Прямой вопросFairmarkit
Какие target и метрики выбрать для ранжирования поставщиков
Fairmarkit: ML System Design
Прямой вопросFairmarkit
Как бороться с selection bias и неоднозначными negatives
Fairmarkit: ML System Design
Прямой вопросHeadHunter
NDCG, MAP и почему ranking-метрики не оптимизируют напрямую
HeadHunter: RecSys для вакансий, метрики и Transformer-модели
Прямой вопросHeadHunter
Negative sampling и embeddings без таргета
HeadHunter: RecSys для вакансий, метрики и Transformer-модели
Прямой вопросLifePay
Какие признаки дать поисковому реранкеру
LifePay ML System Design: RAG, поиск и реранжирование
Прямой вопросOkko
Тренировочные данные, жесткие негативы и контрастные потери
Okko: ML System Design
Прямой вопросOLX
Персонализация карусели на странице автомобиля
OLX: Техническое собеседование
Прямой вопросOLX
Пакетный поиск и оперативное переранжирование
OLX: Техническое собеседование
Прямой вопросOzon
Метрики ранжирования: NDCG, MRR, Precision@K и online-метрики
Ozon: RecSys-собеседование про распределенное обучение, трансформеры и ранжирование
Прямой вопросСамокат
Какие события логировать для обучения ranker
Самокат RecSys ML System Design: TikTok-like лента видео с товарами
Прямой вопросСамокат
Pointwise, pairwise и listwise ранжирование
Самокат RecSys ML System Design: TikTok-like лента видео с товарами
Прямой вопросТ-Банк
Ранжирование контрольных вопросов в call center
T-Bank ML System Design: контрольные вопросы и phishing warnings
Прямой вопросТ-Банк
Переранжирование и разнообразие в item-to-item fashion-рекомендациях
Т-Банк: Техническое собеседование
Прямой вопросТ-Банк
Цели обучения и отрицательные примеры для ранжирования ленты
Т-Банк: ML System Design
Прямой вопросТ-Банк
Обучение pointwise-ранкера без утечек и перекоса в популярные товары
Т-Банк: Техническое собеседование
Прямой вопросUzum
Генерация кандидатов и реранжирование в поиске маркетплейса
Uzum ML System Design: поиск и ранжирование на маркетплейсе
Прямой вопросUzum
Как считать online-фичи для поискового ранжирования
Uzum ML System Design: поиск и ранжирование на маркетплейсе
Прямой вопросUzum
Сезонность, переобучение и A/B тест поискового ranker
Uzum ML System Design: поиск и ранжирование на маркетплейсе
Прямой вопросUzum
Как работать с категориальными признаками в ранжировании
Uzum: RecSys, признаки и сервис ранжирования
Прямой вопросUzum
Как выкатывать новые признаки и модели в сервис ранжирования
Uzum: RecSys, признаки и сервис ранжирования
Прямой вопросWildberries
Стратегии выбора негативных примеров
Wildberries RecSys Technical: money recall, DSSM и content features
Прямой вопросAviatrix
NDCG, MAP, BPR и WARP в рекомендациях
ZingBrain / Aviatrix: Classic ML, CatBoost и рекомендации