字节跳动数据挖掘算法工程师一面（记录）

1、在做LR的时候，对连续数据做离散化处理的优势是什么？

• 稀疏向量内积乘法运算速度快，计算结果方便存储，容易scalable（扩展）。

• 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰。

• 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合。

• 离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力。

• 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问。

2.为什么不用深度学习算法而使用LR

3.词袋模型是什么？

词表有10个单词，用固定长度为10的向量表示文档集。
在向量中有一个位置来对每个单词进行评分。
最简单的评分方法是将单词的存在标记为布尔值，0表示缺席，1表示存在。
其他的简单评分方法包括：
（1）计数，计算 每个单词在文档中出现的 次数 ；
（2）频率，计算文档中所有单词中 每个单词出现在文档中的 频率。

4.介绍一下词向量