不太清楚是不是 Boss 面，不过我的直觉告诉我应该是。面试官让人感觉亲切又威严，散发出一种很奇特又有魅力的气质，让我想起我的小学语文老师…

这次面试中问的问题都很有挑战性，再也没有那种回答【随机森林、GBDT有什么区别】的轻松惬意。

一开始还是自我介绍，然后大概介绍了一下实习的工作。聊完之后没问基础问题，直接来了几个开放式的问题，把我问懵了。

1. 对于神经网络模型速度和效果怎么取舍？

   回答的很烂，大概扯了一些有的没的。我先从哲学层面分析了如何看待速度和效果，这是一个永恒难解的 tradeoff。其次我说了一些关于学习率衰减，网络结构，优化器方面的优化方法。（最后反问的时候我又问了面试官这个问题。面试官说希望我从模型压缩，网络剪枝、蒸馏以及高性能计算的角度来说，不过我没有做过线上的模型，不了解也是可以理解的）

2. 问了我一个场景题，如果在搜索栏搜索北京故宫，我们如何给用户推荐北京故宫的游览路线。

   因为没有做过推荐，当时脑子一团浆糊，大体上从召回和排序两个方面说了一下。召回的话，我们可以通过命名实体识别来判断用户想要搜索的是酒店还是景点，可能需要针对用户搜索的内容不同而针对性地进行推荐（比如如果搜的是酒店，我们应该推荐相关的酒店，房价，客服电话等，如果是景点，可能需要推荐景点的票价，其他人的游览经验等）。我们召回许多物料后，再根据热度，或搜索栏中的其他输入信息进行排序（具体的我也不知道该怎么说）。总之回答的挺不好的，没有清晰的思路，也没有很好很明确的方法。

   说一下排序具体怎么做

   我说据我了解现在大多的排序都上深度模型了，我觉得可以试一下像 Wide & Deep 这种模型（我对推荐系统的了解实在太浅显了）。

   你能简单介绍一下 Wide & Deep 吗

   Wide 就是简单的线性层，Deep 就是先对稀疏特征做 Embedding，再加几个全连接层，得到最终的结果。我们把 Wide 和 Deep 的 Output 相加得到最终的预测。

3. 你了解 python 的内存泄露问题吗？

   简单说了一下 python 的垃圾管理机制，其余的就不了解了…

4. 讲一下你的论文吧

   分别从创新点和难点大概介绍了一下，不过我的论文有点儿偏统计，感觉面试官不太感兴趣的样子，但还是耐心听我啰嗦完了。

秋招以来第一次遇见如此有挑战性的面试，可以看出完全是从工程的角度来问的，对我这种非科班同时实习经历比较少的菜鸡来说还是太难了。不过还是要夸一下面试官的职业精神，听到如此一连串弱爆了的回答还能保持良好的气度，真的很不容易。