【2020秋招】内推批美团机器学习算法面试经验贴

秋招第一场面试就这么来了，之前休息的不好，太过紧张，发挥的不好，可能就凉了，还是多复盘总结吧，越挫越勇！！！

---

铺垫

部门：美团地图部/数据组
时间：周日下午四点
形式：远程面试（我必须吐槽一下，面试还是现场面吧，视频面的笔试太难做了吧= =）
面试体验：面试官人挺好的，主要还是以自己讲为主，他也没细问，然后就说我理解的不深入，题目做的不好，准备的差不多都没问，感觉凉了～

问题&答案

1. 让我自己讲我的所有实习经历和项目经历，然后他也没有细问，他总结了以下，就完了。

2. 介绍一下word2vec

   1. word2vec是词向量的求解模型，输入：大量已分好词的文本，输出：用一个稠密向量表示每一个词

   2. word2Vec就是简化的神经网络模型：
      
      输入的是one-hot vector，隐藏层是没有激活函数，即线性单元，输出层和输入层维度相同，使用的是softmax回归；损失函数是交叉熵（对数）损失函数；我们为每个词获取的稠密向量，其实就是从输入层到隐藏层的权重。
      其中，softmax函数如下：
      $$softmax(x)=\frac{e^x}{{\sum }_i^N{e}^{x_i}}$$
      交叉熵损失函数如下：
      $$H(p,q)=-\sum _{x}p(x)logq(x)$$

   3. CBOW和skip-garm的区别：
      CBOW是输入某个特征词的上下文相关的词对应的词向量，输出就是这个特定词的词向量，即先验概率；skip garm输入的特定的一个词的词向量，输出是特定词对应的上下文的词向量，即后验概率。

   4. CBOW和skip-garm的应用场景：CBOW对小型数据库比较合适，而Skip-Gram在大型语料中表现更好。

   5. 两种高效的训练方法：负采样（negative sampling）和层序softmax（hierarchical softmax）

      1. 负采样（negative sampling）
         将语料中的一个词串的中心词替换为别的词，构造预料D中不存在的词串作为副样本。此种策略下，优化目标变为：较大化正样本的概率，同时最小化副样本的概率。
      2. 层序softmax（hierarchical softmax）
         是一种对输出层进行优化的策略。原始模型的输出层利用softmax计算概率值，层序softmax改为了利用Huffman树计算概率值。一开始我们可以用以词表中的全部词作为叶子节点，词频作为节点的权，构建Huffman树，作为输出。从根节点出发，到达指定叶子节点的路径是概率值。Hierarchical Softmax正是利用这条路径来计算指定词的概率，而非用softmax来计算。

   6. 为了更好的理解，请看以下博文：

   https://www.jianshu.com/p/d6a0aec6e9a1
   https://www.cnblogs.com/zhangyang520/p/10969975.html

3. GDBT和RF区别
   相同点：都是由多棵树组成，结果由多棵树共同决定。
   不同点：

   1. GBDT是回归树，RF可以是回归树也可以是分类树；
   2. GBDT对异常值特别敏感，RF则没有；
   3. GBDT只能串行生成多个模型，RF可以并行；
   4. GBDT的结果有多个结果求和或者加权求和，RF是由投票选出结果；
   5. GBDT是通过减少偏差来提高模型性能，RF是通过减少方差；
   6. RF对所有训练集一视同仁，GBDT是基于权值的弱分类器。

4. lightgbm和xgboost的区别

   1. 树的切分策略不同：
      1. xgb基于level-wise，对每一层节点进行无差别分裂，造成不必要的开销；
      2. lgb基于leaf-wise，在当前所有叶子节点中选择分裂增益最大的节点进行分裂；
         实现并行方式不同：
   2. xgb使用基于 pre-sorted 决策树算法；
      lgb使用基于histogram决策树算法，对离散特征进行分裂时，特征的每个取值为一个桶；
   3. lgb支持直接输入categorical feature，对类别特征无须进行one-hot处理；
   4. 优化通信代价不同：lgb支持特征并行、数据并行。

5. SVM介绍一下？为什么可以使用对偶来求解原始问题？

   1. 凸二次规划问题：基本目标是二次函数，约束条件是线性的这种优化问题被称为凸二次优化问题，应有对偶问题求解更高效；
   2. 满足KKT条件下，对偶问题和原始问题的解是完全等价的。

6. 核函数了解吗？有几种核函数？核函数解决什么问题？我说核函数解决了当前特征空间中样本不可分的问题，他说只要是样本不可分就用核函数吗？

   1. 核函数的作用：当样本在原始空间线性不可分时，通过核函数将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分。
   2. 核函数的种类：
      
   3. 当然不是。在样本近似可分时，我们可以使用软间隔最大化来求解一个线性SVM分类器。

7. LR说一下？
   没啥可说的，最讨厌面试官问我这种问题了= =。

8. 介绍一种你熟悉的深度学习网络，我说的LSTM，说完之后他说你GRU了解吗？

   1. LSTM的出现解决了DNN什么问题？
      时序反向传播算法按照时间的逆序将错误信息一步步地往前传递。当每个时序训练数据的长度 T 较大或者时刻 t 较小时，损失函数关于 t 时刻隐藏层变量的梯度比较容易出现消失或爆炸的问题（也称长期依赖问题）。
   2. LSTM 的主要思想是：门控单元以及线性连接的引入
      1. 门控单元：有选择性的保存和输出历史信息；
      2. 线性连接：如下图中的水平线可以看作是 LSTM 的“主干道”，通过加法，Ct−1 可以无障碍的在这条主干道上传递，因此 LSTM 可以更好地捕捉时序数据中间隔较大的依赖关系。
         
   3. LSTM流程（会推导）
      
      

9. 代码题：

题目描述：牛牛手里有一个字符串A，羊羊的手里有一个字符串B，B的长度大于等于A，所以牛牛想把A串变得和B串一样长，这样羊羊就愿意和牛牛一起玩了。而且A的长度增加到和B串一样长的时候，对应的每一位相等的越多，羊羊就越喜欢。比如"abc"和"abd"对应相等的位数为2，为前两位。牛牛可以在A的开头或者结尾添加任意字符，使得长度和B一样。现在问牛牛对A串添加完字符之后，不相等的位数最少有多少位？
输入描述: 第一行为字符串A，第二行为字符串B，A的长度小于等于B的长度，B的长度小于等于50.字符均为小写字母。
输出描述: 输出一个整数表示A串添加完字符之后，不相等的位数最少有多少位？
输入例子: abe cabc
输出例子: 1

import java.util.*;
public class MinDiff{
    public static void main(String[] args) {
        Scanner in = new  Scanner(System.in);
        String s1 = in.nextLine();
        String s2 = in.nextLine();
        int maxlen = 0;
        for(int i=0; i<=s2.length()-s1.length(); i++) {
            int count = 0;
            for(int j=0; j<s1.length(); j++) {
                if(s1.charAt(j) == s2.charAt(i+j)) {
                  count++;
                }
            }
            maxlen = Math.max(maxlen, count);
        }
        System.out.println(s1.length() - maxlen);
    }
}