陌陌笔试题总结算法岗

最新推荐文章于 2024-07-29 17:53:00 发布

拓跋宪

最新推荐文章于 2024-07-29 17:53:00 发布

阅读量3.3k

点赞数

本文链接：https://blog.csdn.net/qq_41761524/article/details/79905252

版权

本文总结了陌陌笔试中涉及到的算法岗相关知识点，涵盖推荐算法、聚类算法、协同过滤细分、关联规则算法、K-Means、距离计算方法、银行家算法以及计算机网络协议等内容。推荐算法讲解了基于内容、协同过滤和基于知识的推荐，协同过滤中对比了基于用户的和基于物品的算法。此外，还讨论了Apriori和FP-Growth的区别，并介绍了K-Means算法的原理和距离度量（欧式、曼哈顿、切比雪夫）。

摘要由CSDN通过智能技术生成

内容：

推荐算法：基于用户，基于内容，重点学习

关联推荐算法：Apriori和FP-Growth

欧式距离，曼哈顿距离，切比雪夫距离

聚类算法：k-means

银行家算法

计算机网络：7层协议及功能

静态路由，动态路由

一面：

项目介绍，特别详细，详细到我项目中的树是怎么建的，每方面怎么考虑的。

算法：

1。分类和聚类哪个熟悉？

答分类

2。分类算法中你用过哪个，详细介绍一下：结合项目介绍的

朴素贝叶斯（音乐推荐系统），LG（银行贷款预测），SVM（朋友圈分类）

3。推荐算法熟悉么？

推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。

基于内容的推荐算法，原理是用户喜欢和自己关注过的Item在内容上类似的Item，比如你看了哈利波特I，基于内容的推荐算法发现哈利波特II-VI，与你以前观看的在内容上面（共有很多关键词）有很大关联性，就把后者推荐给你，这种方法可以避免Item的冷启动问题（冷启动：如果一个Item从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析Item之间的关系，实现推荐），弊端在于推荐的Item可能会重复，典型的就是新闻推荐，如果你看了一则关于MH370的新闻，很可能推荐的新闻和你浏览过的，内容一致；另外一个弊端则是对于一些多媒体的推荐（比如音乐、电影、图片等)由于很难提内容特征，则很难进行推荐，一种解决方式则是人工给这些Item打标签。

协同过滤算法，原理是用户喜欢那些具有相似兴趣的用户喜欢过的商品，比如你的朋友喜欢电影哈利波特I，那么就会推荐给你，这是最简单的基于用户的协同过滤算法（user-based collaboratIve filtering），还有一种是基于Item的协同过滤算法（item-based collaborative filtering），这两种方法都是将用户的所有数据读入到内存中进行运算的，因此成为 Memory-based Collaborative Filtering，另一种则是 Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚类，SVD，Matrix Factorization等，这种方法训练过程比较长，但是训练完成后，推荐过程比较快。

基于知识的推荐算法，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。

混合推荐算法，则会融合以上方法，以加权或者串联、并联等方式尽心融合。

当然，推荐系统还包括很多方法，其实机器学习或者数据挖掘里面的方法，很多都可以应用在推荐系统中，比如说LR、GBDT、RF（这三种方法在一些电商推荐里面经常用到），社交网络里面的图结构等，都可以说是推荐方法。

4。协同过滤里面怎么细分？细分之后的算法举出几个？：基于用户的和基于内容的，用户的考察用户间相似性，基于内容的不知道。

协同过滤（Collaborative Filtering，简称CF）推荐算法

CF算法分为两大类，一类为基于memory的（Memory-based），另一类为基于Model的（Model-based）， User-based和Item-based算法均属于Memory-based类型

基于用户的协同过滤算法(user-based collaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborative filtering)。

基于用户的协同过滤算法是通过用户的历史行为数据发现用户对商品或内容的喜欢(如商品购买，收藏，内容评论或分享)，并对这些喜好进行度量和打分。根据