陌陌笔试题总结 算法岗

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
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值