没有按照顺序回忆，大家凑合看。就不交流了，有问题请自行评论区讨论。
1. 过拟合的解决办法
2. 数据不平衡怎么办，一般什么场合会出现数据不平衡
3. auc的含义
4. 了解gan吗
5. 两个随机变量X,Y服从独立同分布，均匀分布U(0,1),求max(X,Y)的期望
6. 手推并描述EM算法
7. LR的数据流中有一个重复会有什么影响
8. 推荐中为什么对负样本进行下采样，关于采样率在loss中的体现，之后的一系列公式手推
9. dropout的底层原理
10. 两个很大的文件(一次读不进来的那种)，想找两文件相同的URL，怎么实现
11. DNN，FM能做一阶特征吗，如果可以那为什么还用LR
12. embedding维度如何选取，维度不一样拼接在一起会怎么样？
13. 特征选择的方法
14. 从推荐算法角度，怎么提高价格低的商品的曝光量
15. 一个圆上三点能构成锐角三角形概率
16. 54张扑克牌分成三份儿平均。大小王在同一堆的概率。
17. 排序算法有多少了解，手写快排序。
18. n叉树的之字形遍历。
19. 单链表排序,要求速度要快，不可以转列表。
20. 合并链表奇数位升序，偶数位降序。(原题)
21. 冷启动问题。
22. 怎么判断小视频是真的火。有长视频，有短视频，如果长视频内容不吸引人注意，用户看了十几秒就退出，即使长视频的播放时间比短视频长也不一定证明长视频的内容更吸引用户的注意，怎么处理这种问题？
23. 推荐中的排序是为了干什么，有什么方法。这些机器学习算法在召回阶段可以用吗，目的是什么？为什么wide and deep的Wide部分还用lr？