携程秋招算法二面面试题

1、Jieba分词的原理是什么

    1.首先用正则表达式将中文段落粗略的分成一个个句子。

    2.将每个句子构造成有向无环图，之后寻找最佳切分方案。

    3.最后对于连续的单字，采用HMM模型将其再次划分。

2、特征工程的常用方法

    对时间戳处理

    对离散型变量进行独热编码

    对连续型变量进行分箱/分区

    特征缩放

    特征选择

    特征衍生（特征交叉）

3、随机森林和GBDT区别

    随机森林采用的bagging思想，而GBDT采用的boosting思想。这两种方法都是Bootstrap思想的应用，Bootstrap是一种有放回的抽样方法思想。虽然都是有放回的抽样，但二者的区别在于：Bagging采用有放回的均匀取样，而Boosting根据错误率来取样（Boosting初始化时对每一个训练样例赋相等的权重1／n，然后用该算法对训练集训练t轮，每次训练后，对训练失败的样例赋以较大的权重），因此Boosting的分类精度要优于Bagging。Bagging的训练集的选择是随机的，各训练集之间相互独立，弱分类器可并行，而Boosting的训练集的选择与前一轮的学习结果有关，是串行的。

    组成随机森林的树可以是分类树，也可以是回归树；而GBDT只能由回归树组成。

    组成随机森林的树可以并行生成；而GBDT只能是串行生成。

    对于最终的输出结果而言，随机森林采用多数投票等；而GBDT则是将所有结果累加起来，或者加权累加起来。

    随机森林对异常值不敏感；GBDT对异常值非常敏感。

    随机森林对训练集一视同仁；GBDT是基于权值的弱分类器的集成。

    随机森林是通过减少模型方差提高性能；GBDT是通过减少模型偏差提高性能。

4、xgboost和lightgbm区别

    1、内存更小

    XGBoost 使用预排序后需要记录特征值及其对应样本的统计值的索引，而 LightGBM 使用了直方图算法将特征值转变为 bin 值，且不需要记录特征到样本的索引，将空间复杂度大大降低，极大的减少了内存消耗；LightGBM 采用了直方图算法将存储特征值转变为存储 bin 值，降低了内存消耗；LightGBM 在训练过程中采用互斥特征捆绑算法减少了特征数量，降低了内存消耗。

    2、速度更快

    LightGBM 采用了直方图算法将遍历样本转变为遍历直方图，极大的降低了时间复杂度；LightGBM 在训练过程中采用单边梯度算法过滤掉梯度小的样本，减少了大量的计算；LightGBM 采用了基于 Leaf-wise 算法的增长策略构建树，减少了很多不必要的计算量；LightGBM 采用优化后的特征并行、数据并行方法加速计算，当数据量非常大的时候还可以采用投票并行的策略；LightGBM 对缓存也进行了优化，增加了 Cache hit 的命中率。

5、LSTM的结构

    包括遗忘门，输入门和输出门三种。

    GRU与LSTM区别

    （1）LSTM和GRU的性能在很多任务上不分伯仲；

    （2）GRU参数更少，因此更容易收敛，但是在大数据集的情况下，LSTM性能表现更好；

    （3）GRU 只有两个门（update和reset），LSTM 有三个门（forget，input，output），GRU 直接将hidden state 传给下一个单元，而 LSTM 用memory cell 把hidden state 包装起来。

    遗忘门

6、RNN BPTT的机制

    BPTT（back-propagation through time）算法是常用的训练RNN的方法，其实本质还是BP算法，只不过RNN处理时间序列数据，所以要基于时间反向传播，故叫随时间反向传播。BPTT的中心思想和BP算法相同，沿着需要优化的参数的负梯度方向不断寻找更优的点直至收敛。综上所述，BPTT算法本质还是BP算法，BP算法本质还是梯度下降法。

7、RNN为什么会出现梯度消失或者梯度爆炸

    在RNN中经常遇到梯度消失和爆炸现象的原因：很难捕捉到长期的依赖关系，因为乘法梯度可以随着层的数量呈指数递减/递增。

8、sigmoid和softmax的区别

    Softmax函数是二分类函数Sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。最大的区别在于softmax的计算的是一个比重，而sigmoid只是对每一个输出值进行非线性化。

9、描述下DeepFM模型

    在处理CTR预估问题中，传统的方法有一个共同的缺点：对于低阶的组合特征，学习到的比较少；但是低阶特征对于CTR也非常重要，于是Google为了同时学习低阶和高阶组合特征，提出了 Wide&Deep 模型：混合了一个 线性模型（Wide part）和 Deep 模型 (Deep part)；这两部分模型需要不同的输入，其中Wide part部分的输入仍然依赖人工特征工程；

    此时模型存在两个问题：

    DeepFM 在 Wide&Deep 的基础上进行改进，成功解决了上述这两个问题，并做了一些优化；

    优点如下：

    FM模块和Deep 模块共享 Feature Embedding 部分，可以更快、更精确的训练；

10、训练集、测试集和验证集的作用，训练的时候为什么要进行shuffle

    首先用训练集训练出模型，然后用验证集验证模型（注意：这是一个中间过程，此时最好的模型还未选定），根据情况不断调整模型，选出其中最好的模型（验证误差用于指导我们选择哪个模型），记录最好的模型的各项设置，然后据此再用（训练集+验证集）数据训练出一个新模型，作为最终的模型，最后用测试集评估最终的模型。

    进行shuffle：打乱数据之间的顺序，让数据随机化，避免过拟合

• 偏向于提取低阶或者高阶的组合特征，不能同时提取这两种类型的特征；
• 需要专业的领域知识来做特征工程；
• 不需要预训练FM得到隐向量；
• 不需要人工特征工程；
• 能同时学习低阶和高阶的组合特征；