推荐系统面试

推荐系统算法工程师

1.推荐算法公工程师做什么？

1.1招聘网站能力要求：

• 数据分析、数据挖掘能力
• 大数据处理技术（spark、Hadoop、）
• 扎实的算法基础：机器学习与推荐算法相关的LR、SVM、GBDT、DNN
• 丰富的Python、C开发经验
• 项目经验

1.2工作内容

• 数据分析与处理
• 用户画像
• 个性化推荐
• CTR预估
• 销量预测

2.怎样准备

2.1基本技能准备

• 数据分析与数据挖掘：
  数据缺失值与异常值处理，特征构建与选择（pandas）
• 大数据处理的相关技术：
  Hadoop或者spark的基本命令、MapReduce原理（如统计一句话中单词出现的次数）
• 算法基础：
  算法原理、建模、调试（sklearn、Keras）（LR、GBDT、SVM、DNN）
  模型的可调参数有哪些？
  gbdt和xgboost区别
  SVM原理
• 推荐算法：
  协同过滤（基于物品和基于用户）的原理，ItemCF、UserCF、SVD矩阵分解
  原理与实现：给一个场景，给出解决方案
  首先选择基于物品或者用户的协同过滤，用户行为如果比较少，需要细化特征，得到相似性

2.2项目准备

• 房价预测
• 智能客服
• 音乐推荐系统
• 文本分类
  简历上面至少要有一个深度学习的项目，如图像或NLP
  项目需要弄明白的东西：
• 项目来源
• 数据量，7天10个TB
• 做了多长时间，项目排期
• 用的算法和模型的原理
• 不同模型的区别，如何选择
• 模型参数的调试
• 结果如何评估，
• 可以改进的地方
  项目突出的内容
  推荐实时性很重要，两个小时的，一个是实时预测，一个是凌晨全量迭代
  简历中项目要突出自己的工作量，实验结果，比如提升了多少auc

2.3其他

• 编程基本功：
  排序算法，字符串查找
• 机器学习相关问答题：

3.面试会问那些问题

3.1技术面

• 机器学习的步骤
• 分类器的选择
• SVM原理
• 特征选择的方法：
  filter、warpper、bedding、GBDT选择
• 树模型是否需要做归一化，为什么？
  不需要
• 模型过拟合与欠拟合，如何解决？
  使用正确率或者loss曲线
• 偏差与方差
• GBDT与xgboost的区别
• 实际场景的解决方案

3.2HR面

• 自我介绍
  语言表达能力、思维能力
• 对我们公司了解多少
• 薪水