- 综合排序
- 最热优先
- 最新优先
腾讯智慧物业：重构全域营销与多经业务增长体系
第一章 突破物业经营瓶颈与流量困局 行业痛点：基础服务与多经业务的双重割裂 当前物业行业头部客户在探索多种经营（多经）商城零售业务时，普遍面临“低频消费、高运营成本、低转化率”的结构性矛盾，具体表现为四大核心痛点 线上割裂： 公众号、视频号、企业微信等多触点之间缺乏运营联动；多业态（地产、物业、商业）的身份、权益与入口未能统一。 管家效能与激励错位： 意愿低： 市场化零售并非管家主营核心业务，因激励不足、产品不好卖，导致终端推广积极性低。 分层激励体系： 针对不同业务周期设计商品激励、时间激励、渠道激励及会员激励等多维体系，确保管家在推广非主营业务时有足够的动力。 第三章 量化业务增量与降本成效 应用效果：数据驱动的业务价值验证 通过腾讯生态资源的注入与数字化工具的落地，多经业务在获客、转化与人效上均实现了显著提升： 流量与GMV爆发： 视频号DAU突破 5亿+，
26810编辑于 2026-02-10【多模态大模型面经】 Transformer 专题面经
本专题汇集了个人在准备多模态、大模型、强化学习等前沿岗位面试过程中总结的核心知识点，同时记录了本人在真实面试中面试官的提问。 主流 LLM 和多模态大模型架构对比表模型 架构类型 输入类型 输出类型 典型应用 GPT 系列 Decoder-Only /多模态大规模 LLM、通用生成 PaLM Decoder-Only 文本 文本 LLM 训练、文本生成 BLIP-2 Encoder-Decoder 图像+文本 文本 多模态生成、问答 Transformer的核心内容还包括：① 位置编码② 多头注意力机制③ 自注意力机制④ 缩放点积注意力二、位置编码与传统的RNN、LSTM时序模型不同的是 主对角线之上（即未来位置）的元素，用一个极大的负数（如 $-10^{9}$）进行填充。在遇到softmax后会趋近于0。
86320编辑于 2025-11-16- 来自专栏面经
【多模态大模型面经】 BERT 专题面经
本专题来源于本人在面试 NLP / LLM / 多模态预训练相关岗位时的真实问题与个人总结，本章的重点是为什么GPT的【MASK】设计会导致数据泄露？
69130编辑于 2025-11-16 - 来自专栏牛客网
多益网络2019提前批面经
给出了8个或9个现实中的事件，事件里面包含了急切程度的字眼和所用时长（在此不列举，当然也没有记住哇）如果是你，你会如何安排这些事件的先后顺序？ 你了解多益吗？ 你的理想薪酬是多少？ 开放题作品：时间48小时，需要在截止时间前上传作品 开放题作品和HR面是同步进行的，7月3日20:00前提交作品。 或者可以问笔试上的题目，这一点的前提是他们的笔试题目要足够的专业，多益的笔试题目自我认为就很专业。 或者自己在产品方面有一些思考的问题，但在提问的时候先说出自己的想法，再向面试官发问） 三、总结 从网申开始到面试结束并通知结果总共用了不到1个月时间，从笔试到面试结束并通知结果总共用了14天时间，多益的效率还是杠杠的
46920发布于 2018-08-10 YashanDB多租户环境部署方案，满足多业务需求
在多业务环境下，充分利用数据库资源，降低企业的运营成本，提升数据访问性能，已然成为必然需求。 YashanDB作为一款高效、灵活的数据库解决方案，在多租户环境部署上展现出独特优势，满足多业务需求的同时，还能确保系统稳定运行。本文将对此进行深入分析。 在多租户环境中，可以根据业务需求选择不同的部署模式，从而实现资源的高效利用和灵活扩展。1. 单机部署单机部署适用于小型业务或初始阶段的企业，通过主备复制实现数据安全。 对于初创企业或小业务，优先选择单机部署，通过Schema逻辑隔离满足多租户需求。对于中型企业，建议使用分布式部署，在保证高可用性的同时提升性能。 在多租户环境的构建中，企业可以根据实际业务需求灵活选择部署方式，以增强数据处理能力与成本效益，持续推进企业的数字化转型进程。
12800编辑于 2025-06-28- 来自专栏禅境花园
Centos Stream 9 多IP 配置
Centos Stream 9 配置多IP 我有500个IP ,要绑定在同一台linux机器上, OS为Centos9 .
1K00编辑于 2024-11-21 - 来自专栏牛客网
多益网络提前批产品策划面经
大概就是这么多，其中项目和实习经历问的比较细，攒一波人品，希望能通过。 点击作者姓名与作者大佬交流~ 作者：邪魅狂羊 来源：牛客网（www.nowcoder.com） - 互联网名企笔试真题 - 校招求职笔经&面经 - 程序员/产品/运营求职实习信息 - 程序员/产品/运营学习交流社区
59520发布于 2018-07-24 【多模态大模型面经】 DeepSeek专题： DeepSeekMOE + MLA
知识冗余（Knowledge Redundancy）： 不同专家学到的大部分东西是重复的；简单说：目前的MoE 看起来是“多专家会诊”，实际上专家经常“兼职”，还爱抄彼此作业。 Device-Level Balance Loss（设备层面的均衡损失） DeepSeek 的 MoE 是多卡/多节点并行的，不同卡上放着不同 Expert；Device-level loss 进一步约束 load ) importance_per_dev = importance_per_dev / (importance_per_dev.sum() + 1e-9) W^{UK},\quad V = \mathbf{u} W^{UV} Q 还是从原始 hidden / content 里来: $Q_h = x W^Q_h$训练 / naive 推理视角：看起来只是多插了一层低维投影 out.transpose(1, 2).contiguous().view(B, L, self.d_model) out = self.w_o(out) return out四、面经
94320编辑于 2025-11-21- 来自专栏iSharkFly
Chewy 2023年9月 面经和题目以及总结
这种题目貌似考察点非常多，但是更多有点考察一个茴字有多少种写法那种，如果你是比较注重逻辑，比较注重思路的人，这种题目通常答不好。 https://www.isharkfly.com/t/chewy-2023-9/15004
27720编辑于 2023-09-23 - 来自专栏牛客网
腾讯SNG的实习offer（多篇面经分享）
下面是面经。 2018-3-12 一面(电面50多分钟) 为什么喜欢后端开发？ 你觉得创新班怎么样？在创新班学到什么？
1.1K20发布于 2018-07-04 - 来自专栏OpenApplus
多业务团队中，如何使用Fizz支持多注册中心
注册中心功能维护注册中心的配置，可配置多个注册中心，类型支持Eureka、Nacos，配置格式支持yml、properties。下面介绍注册配置功能。
70420编辑于 2022-02-14 - 来自专栏崩天的勾玉
字节跳动·业务中台·后端实习一二三面面经
字节跳动 业务中台 后端实习一二三面面经 (一下午连着三面不愧是字节) 一面 自我介绍 深挖项目，权限模型怎么做的，数据库表怎么设计的，加了哪些索引，你这么设计有什么问题，改进措施呢 大家自己做完项目可以总结一下
93010编辑于 2021-12-20 - 来自专栏Windows技术交流
小文件多的业务场景，建议WinDefend排除业务路径对比
背景：有个证券客户POC，跟友商对比，业务队列积压、出结果有两三秒延迟 排除云硬盘、virtio驱动、pagefile、网卡receive buffer等方面后，看到业务小文件很多且defender在运行 ，就添加命令排除了下，然后复测正常 WinDefend排除业务路径，可参考https://cloud.tencent.com/developer/article/2195212 别看上面三两句简单简单就解决了 1、优先排查云盘情况，发现20GB增强型云盘吞吐打满130MB/s持续时间较长，导致积压，云盘延时五六十毫秒符合预期，引导用新代次机型搭配延时表现比较好的极速型云盘再测试下，看延时降低后业务表现是否会好转 ； 2、用新代次机型搭配极速型云盘测试、用之前的增强型云盘扩容到460G确保吞吐上限增加到350MB/s再次测试，业务表现依旧；了解业务瞬时小文件非常多的特点后，发现WinDefend在后台比较活跃，怀疑其干扰业务执行 ，添加排除业务路径后，业务压测恢复正常。
22410编辑于 2025-01-24 - 来自专栏牛客网
多篇面经集合，你不容错过的干货！
解释一下长连接 多益网络 一面（视频） 1. 自我介绍 2. 对面向对象的理解 3. 介绍多态 4. Java 新建线程有哪几种方式 5. 线程池的作用 6. 聊到多益，于是开始聊最近微博上很火的多益老板 6. 得出结论，我和面试官都觉得多益老板三观有问题，但做游戏就是要偏执的人 7. 你博客主要哪方面的 8. 多线程并发包了解么 9. 分布式事务知道么 9. 介绍分布式事务 10. 你的职业规划 二面 1. 自我介绍 2. 项目介绍 3. Nio 的原理 4. 什么时候用读锁 9. 什么时候用写锁 10. Cas 的原理，使用场景 11. 数据库的瓶颈 点击作者姓名与作者大佬交流~ 作者：obamaqueenie 来源：牛客网（www.nowcoder.com） - 互联网名企笔试真题 - 校招求职笔经&面经 - 程序员/产品/运营求职实习信息
1.2K20发布于 2018-07-24 - 来自专栏商业智能方案
最新业务数据指标体系集合！覆盖9个行业、多个业务场景
上次我发了第一个版本的六个行业业务指标体系，非常受大家欢迎，但是有一些人没有领到原图，这一次，老李花了两周时间去整理了一份最新最全的指标体系，涵盖了互联网、零售、电商、在线教育、餐饮、保险、银行、制造业 、物流等9大行业，以及财务、人力资源、广告、渠道等4个主题业务场景。 当然，还是要重申一下我的观点：没有任何一个指标体系是放之四海而皆准的，我们只有不断地理解业务、接触业务、熟悉业务，才能建立起最适合自身的指标体系。 最适合的，才是最好的！ 大金融类 1.保险行业 可从业务发展、成本费用、资金运用、盈利管理和风险管理这五个保险业的重要模块进行数据指标的划分。 传统制造业在生产环节涉及到的指标尤其多，需要根据企业情况具体拆解、划定指标。
2.5K32发布于 2020-07-31 - 来自专栏SAMshare
多业务融合推荐策略实践与思考
多业务：首页的访问量较大(千万级别pv)，如何把流量分配给不同的业务就很关键。 推荐感知：虽然用户的目标单一，但是如何做到推荐结果的多样性就需要对其优化。 58app首页推荐业务 ( 多品类推荐 ) 主要面临的挑战在于： 如何满足用户对于不同品类的兴趣？( 用户兴趣问题 ) 推荐的业务比例如何和平台的业务比例进行匹配？ 兴趣策略 这个优化主要针对第一个挑战：强兴趣下的多业务融合。 常见的推荐系统，如新闻推荐、视频推荐、商品推荐等都是要先建立用户和商品之间的联系，然后通过适当的算法进行匹配。 业务流量分配策略 这个优化主要针对第二个挑战：多业务之间的流量均衡 实际业务需求： 由于58首页信息流是多品类混合推荐的场景，推荐的结果既要满足用户个性化需求，又要满足在整体上各业务的占比与58实际业务流量比例相符合 目前负责 APP 首页业务信息流推荐，致力于通过融合多业务、多策略推荐系统的迭代升级，支持流量分发，优化连接效率，提升用户体验。 今天的分享就到这里，谢谢大家。
1.9K21发布于 2020-08-27 - 来自专栏Reinvent Data Science
Milvus × RAG助力快看漫画多业务应用
经过9年的创作者生态建设，快看已汇聚超过12万注册创作者，发表漫画作品超13000部。目前，快看漫画已有超过500部作品登陆全球近200个国家和地区，成为中国文化出海的代表。 02.Milvus在快看基础业务的应用 快看基础业务包括常见的搜索、推荐、广告，此外还包括图像相关的业务，比如图像去重、以图搜图等，为了更好的服务上述场景需求，需要构建向量检索系统，首先要做的一件事，就是确定一款向量检索引擎 快看增长业务问答数据：由标题、答案、背景知识等组成的正文。 7.大模型微调 快看作为二次元领域的龙头，积累了非常多的领域知识，因此也在尝试基于开源大模型进行微调，训练快看在二次元领域的垂直大模型。 自动多轮pk就是两个模型分别和角色深度聊N轮，N是随机的，聊完就换下一个角色，直到收集到300轮票数。经过验证，这套自动评测体系和人工pk结果是一致的。
82010编辑于 2024-07-31 - 来自专栏kl的专栏
Quarkus经GraalVM native-image编译后启动只需0.07秒(9)
io.quarkus.deployment.pkg.steps.NativeImageBuildStep.build(NativeImageBuildStep.java:344) [ERROR] ... 12 more [ERROR] -> [Help 1] 不过别慌，博主还没放弃，下面通过docker多段镜像编排解决问题 ，上面贴的pom配置代码别删 docker多段镜像编排 ## Stage 1 : build with maven builder image with native capabilities FROM
1.2K50编辑于 2023-11-18 YashanDB多活架构实现企业业务持续运营
为实现业务的持续稳定运行，多活架构逐渐成为主流选择。本文将围绕YashanDB多活架构的技术实现，深入探讨其体系架构、关键技术和优势，为企业构建高可用、高性能的数据库解决方案提供技术指导。 该架构提供多实例并发读写能力，具备高可用、高扩展和短时切换的优势，符合高端核心交易场景需求。 核心技术与功能多实例共享一致性访问机制共享集群通过全局资源目录（GRC）、全局缓存服务（GCS）和全局锁服务（GLS）协调多实例对数据页和非数据资源的访问，确保多实例对同一数据资源的并发访问保持强一致性 多实例间通过一致性哈希分配元数据，避免热点争用，提升并发吞吐能力。 未来，伴随数据规模激增和业务多样化，持续优化的多活架构将成为数据库系统核心竞争力，驱动企业业务持续稳定运营，促进数字化转型深入发展。
24710编辑于 2025-08-18- 来自专栏从零开始学自动化测试
SQLAlchemy学习-9.一对多和多对一关系
前言 一对多和多对一关系 一对多关系 一对多关系表设计，一个Parent类关联多个Child类 from sqlalchemy.ext.declarative import declarative_base # 在父表类中通过 relationship() 方法来引用子表的类集合 children = relationship("Child") class Child(Base): # 多 session.commit() 查询数据 通过父类，查询子类（单向查询） parent = session.query(Parent).get(1) print(parent.children) 多对一关系 多对一关系相比上面的一对多而言是双向的关系 在最新版本的 sqlalchemy 中对 relationship 引进了 back_populates 参数， 两个参数的效果完全一致。 children = relationship("Child", back_populates="parent", lazy="dynamic") class Child(Base): # 多
4.5K20编辑于 2022-08-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号