更新: 9.19收到了意向书。

更新：约了9.14的五面。。。人傻了要，然而问了hr，是邮件发错了。

更新：9.11 hr面

更新：

8.31 三面（vp面，临时改成电话面了）---------------------------------------------------------

触宝一面 算法（1h）

• 自我介绍

• 数据结构基础

  • 数组和链表区别，应用场景
  • 疯狂问排序算法，最优最坏平均复杂度，稳定排序有哪些（好长时间没复习这个了，答得比较差）
  • 一个剪枝题，口述算法过程，分析时空复杂度
  • 说说面向过程、对象、切片编程的区别（我。。。。。。）

• 机器学习基础

  • 讲一下你了解哪些分类模型
  • 说说SVM
  • 讲讲id3和c4.5
  • 讲讲xgboost和gbdt
  • 讲讲怎么判断kmeans的k，聚类效果的好坏
    • k可以用肘部法则SSE（误差平方和）和轮廓系数
  • 讲讲分类，回归，推荐，搜索的评价指标
  • 讲讲lr 和 fm，fm的后续（ffm）
  • 讲讲你知道的各种损失函数
  • 讲讲l1 l2正则，各自的特点

• 深度学习基础

  • 说说deepfm，说说fm在nn中还有哪些（FNN，NFM，AFM）
  • 说说类似l1,l2正则化降低模型过拟合，还有什么别的方法
  • 说一下sgd→adam的过程（下面是面试后简单复盘，本身答的一般）
    • sgd
    • momentum 利用了历史信息，意味着参数更新方向不仅由当前的梯度决定，也与此前累积的下降方向有关。这使得参数中那些梯度方向变化不大的维度可以加速更新，并减少梯度方向变化较大的维度上的更新幅度。由此产生了加速收敛和减小震荡的效果。
    • rmsprop 在 Adagrad 中， 问题是学习率逐渐递减至 0，可能导致训练过程提前结束。为了改进这一缺点，可以考虑在计算二阶动量时不累积全部历史梯度，而只关注最近某一时间窗口内的下降梯度。根据此思想有了 RMSprop，采用的指数移动平均公式计算
    • adam 可以认为是 RMSprop 和 Momentum结合并加了偏差校正，因为初始化是0，有一个向初值的偏移（过多的偏向了 0）。因此，可以对一阶和二阶动量做偏置校正 (bias correction)，
  • 介绍下梯度消失和梯度爆炸
  • 都有哪些方法解决这两个问题
  • 你了解多目标优化，迁移学习么（不知道）

• 场景问题

  • 让你加一个兴趣类型特征 你要怎么做
  • 如何处理年龄类特征
  • 你了解相似向量快速计算的方法吗（就记得个啥哈希分桶，没做过）
    • 局部哈希计算，高维相近的点低维也相近，但是高维较远的点低维可能也相近，将embedding应设成1维，若担心把远的也算进来可以多设置几个hash函数等等。
  • 如何判断你模型上线的好坏
  • 给你个nn模型，如何调参，如何修改架构
  • 如何解决冷启动问题 用户侧，物品侧
  • 推荐系统的整体架构
  • 线上推断这部分再具体点怎么实现的

• 反问

  • 触宝内容推荐（小说）
  • 主要用python
  • 等后续hr通知吧

触宝二面（45min，面试官人很好，和善憨厚）

• 自我介绍
• 讲下实习做了哪些优化，问了些问题（我都没介绍实习，面试官已经直接点破我每一点实际都在做什么）
• 讨论了一下抽样，作为一个算法工程师如何将抽样导致的得分分布变化给拉回来？
• 因为实习模型是FM，详细讲了下FM，讨论了下FM的泛化性
• 用的什么优化算法，顺便介绍下sgd后续的优化，sgd→momentun→rmsprop→adam，一面问过的，复盘过
• 实习有没有除错过导致线上有点问题（还真有。。。）
• hadoop shuffle干啥的，为啥key相同的要放在一起
• python深拷贝和浅拷贝的区别
• linux 替换文件中所有的a，我说的awk或者tr
• 算法题：给两个字符串S和T，计算S的子序列中T出现的次数（dfs A了）
• 反问：竟然和一面面试官不是一个部门。。。二面面试官给我介绍了算法在他们公司都有哪些应用。。。
• 总之要有工程师顶层思维，不能局限于模型优化啥的。