20200403阿里算法岗暑期实习

铩羽而归。写点儿血泪教训。20200412
三面了,记录点心得体会.20200421

1.笔试

阿里巴巴暑期实习 算法岗笔试一共就两道题，每道50分。具体的题目我没截屏，网上应该能找到。第一题是比较简单的数组，第二题应该要用算法来做，我接触的少，此题一看遍蒙圈了。

题目如下：
1）求特定数的个数

符合以下条件的数为题目定义的特定数：
1）该数左边存在比其大的数，并且左边比该数大的数中的最小数为f
2）该数右边存在比其小的数，并且右边比该数小的数中的最大数为g
3）特定数满足f是g的倍数。
输入：
第一行，数组个数n;第二行为数组的n个数，以空格区分开
0<=n<=10e5; 数组中所有的数a_i均在0~10e18范围内
输出：
特定数的个数
例：

• 输入：
  3
  4 3 2
• 输出1，因为只有3满足条件

2）求最小代价路径

完整的题目我没记录。
题目大意如下：
输入一个n*m的矩阵代表一个山路的代价值矩阵，每个值表示经过该区域所需消耗的体力值。你可以从第一行的任意位置出发，以到达最后一行的任意位置结束，并且你只能移动到该处上下左右四个位置，求完成该过程的最小代价值。
输入：
第一行两个数，分别为n和m；第二行开始的n行表示矩阵，每一行m个数，以空格隔开。
输出：
最小体力值代价
例子：
输入：
3 4
9 9 1 1
9 1 1 9
9 1 9 9
输出：4

与下面此题类似，不过不要求从左上角出发和到达右下角，而且可以往左移动

1.2 解法

2.面试

2.1 一面

2020.4.3 应该是刚入职不久的职员问的，还是问了很多细节的，不过没问机器学习具体内容。

1）自我介绍
2）项目经历

2.2 二面

2020.4.8 应该是有一定开发经验的主管面的。我应该直接挂了。哎，对ML了解不够，血亏。

1）自我介绍
2）项目经历
3）问机器学习

2.3 三面

时隔12天，我一度以为铁定挂了，毕竟二面最后面试官都很委婉了。2020.4.20日晚上8点接到电话，结果我没收到，9点开始面试。
面试官应该是个总监，说话真的很轻声细语，对待面试者真的非常恭敬有礼貌。开门见山说了面试流程的三部分：
1）说一下自己认为做的项目中最具备亮点的一件事 2）开放式讨论一些有关机器学习的知识 3）关于实习的安排，以及我想知道的事情

第一部分：
IARC比赛。然后我说的事无巨细，他似乎不太熟悉无人机和图像处理这些东西，所以就没接着问。很平静就过去了…

第二部分：
他问的关于淘宝客户点击商品的问题，如果做推荐系统。详细点说是，训练样本是手里有很多客户点击或者不点击某样商品的数据，问如何来做一个客户对某件商品的喜爱程度（或者点击还是不点击）这种推荐模型？起初我想成了喜爱程度，这样自然就成了回归问题，后来他提醒，说只有点击或者不点击，那么很自然就是分类问题，并且是二分类问题。我当时说了挺多想法的…

第三部分：
没什么好多说的吧，真实表达自己的想法

总结：感觉这个面试官很和善，不怎么怼人，很好说话的感觉。控制好自己的语调，明确的表达自己的看法，良好沟通

2.3.1 三面后功课

20200422 很慌很不安.
虽然感觉面试的也不怎么样,甚至有点儿满嘴跑火车,但还是做点功课以应对接下来可能的面试.

推荐算法时下流行技术:
1)协同滤波(collaborative filtering)

找几个帖子,传送门
协同滤波
概念:

协同过滤: 一般是在海量的用户中发掘出一小部分和你品位（偏好）比较类似的，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐给你。

• 问题在于如何确定两个用户之间品味的相似性;
• 如何将邻居们的喜好组织成一个排序的目录？
  可分为:
• 基于用户的协同滤波user-based
• 基于物品的协同滤波item-based

过程:

• 收集用户偏好
• 找到相似的用户或物品(聚类)
• 计算推荐

聚类中的距离度量有欧式距离\余弦相似性\皮尔逊相关系数等.据此计算相关邻居,感觉接下来像是kmeans或者dbscan聚类.

基于用户推荐很好做,就直接判断该用户属于哪一类,再根据该类的特征进行推荐.
基于物品推荐,如喜欢物品A的用户也可能喜欢物品C,以该想法计算物品之间的相似度,根据用户的历史偏好来做推荐???

本次学习时间到,下次再更.

2)DNN排序模型
通常将用户特征和商品分类做embedding嵌入,两边各自具有全连接网络结构,激活函数为tanh;最顶层用余弦相似度来度量两者的相似度,推荐与某个user具有最高相似度的item,最顶层的损失函数为MSE.
广告、推荐、搜索等领域用户数据的稀疏性几乎必然要求在构建DNN之前对user和item进行embedding后才能进行有效的训练。
embedding解释
word2vec和item2vec;