一面：

1 - 算法题：树的中序遍历的递归和非递归做法

2 - 算法题：给定一个字符串，一个子串集合，要求不断删除字符串中的子串，直到没有可以删的为止

3 - 自我介绍

4 - 介绍项目

5 - 冷启动问题，这里其实不是严格的冷启动问题，而是面试官问我新节点来了怎么办，孤立的点，完全没有边关系（其实他说的这种情况在我定义的模型中是不存在的，，，，，或者严格一点，存在的概率很小。）

6 - 上一个问题，引申到下一个问题，deepwalk这类图结构的embedding和普通embedding相比，哪一个解决新节点问题更好。（问到这里的时候懵了，因为在我的印象里，无论冷启动还是新节点问题，解决方法都是自己定义的，这些embedding的方法只是说，生成的embedding的质量不一样。我不知道是不是我理解错了意思）

二面：

1 - 自我介绍

2 - 主要用的是pytorch还是tf，介绍一下torch构建一个简单的dnn的流程

3 - 常见的激活函数有什么

4 - relu函数是做什么的，作用和是什么：我说是非线性激活函数，把线性的映射到非线性空间中，如果不加relu，那不是和lr有点像了，直接是线性回归了。

4 - 面试官又问，那dnn和lr什么区别，我说lr是线性的，dnn加了激活函数是非线性的。她说dnn不加激活函数也是非线性的，问我为啥。我思考一下，说是因为它对高阶交叉特征提取，所以增加了非线性的因素吗（高阶交叉特征应该是非线性的因素吧？），她说不是。然后我问那是为啥，面试官说，它就算是不加激活函数，也可以对一些非线性的函数进行拟合。。。

5 - 常见的embedding有那些。（我比较熟悉的就是graph embedding，但是她并不care，她说就是常见的）然后embedding的作用是什么

6 - 梯度爆炸怎么解决
7 - 怎么做特征
8 - 如果一个特征是是负向的怎么办
9 - 分布不一样的特征是真实存在的，一般不会直接不用了，那要怎么办，我说可以做一些调整
10 - 可以有哪些调整方法

11 - 为什么对推荐感兴趣（其实我感觉后面面试官可能对我有点失望，因为我紧张，所以一些能回答好的问题也没回答的太好，然后强行被我拉着扯了一点人生。。。然后她最后说整体挺好的，算法细节需要再注意，但没问算法题，感觉要gg了。她还给我推荐了一个知乎中搞推荐的人。我觉得大概觉得我虽然菜，但是还挺好学的。）

我好菜啊。。。心态崩了