转7月的推荐

0. 个人情况介绍

本人17年毕业，到19年前，一直在某国内某米手机厂商从事互联网业务部数据开发工作，机会偶然，接触到了算法，开始独立负责某夕阳红APP的推荐算法，业务虽然不重要，但是很锻炼人，一个人需要完成数据仓库建设、推荐算法架构建设、在线服务建设，高可用/效率/效果都要兼顾到。

而后报了七月在线的推荐系统就业班，经过近半年的准备，砍下7个offer：4个50w、2个60w+、1个80w。80w的不敢去，赛道偏窄，前景不乐观，最后决定在2个60w的offer中选一个。

1. 推荐算法核心技能和面试关键点

1.0、 写在最前：重要的事说三遍，推荐算法最最核心的一定一定是业务的理解程度、推荐算法最最核心的一定一定是业务的理解程度、推荐算法最最核心的一定一定是业务的理解程度。 推荐算法是一个非常贴近业务的工作，业务理解>数据建设度>算法模型。业务中涉及的指标、技术、迭代过程一定要清楚

1.1、基本算法一定要掌握，面试中极大可能会推导：lr原理和推导、xgb原理推导、fm原理和推导、常见的优化算法、梯度消失/爆炸等

1.2、业界较新的技术，也要兼顾到，不一定要上线，但是需要基本了解原理，不然会受到面试官挑战（尤其是三面leader面，非常喜欢问）

1.3、简历上的东西一定要是真实发生过的，不要装逼不要装逼不要装逼

1.4、leetcode top 100起码刷3遍

2. 面试技巧

2.0、多说、多想，最完美的情况是一直说，不要给面试官留出思考时间，要带着全场节奏，双方冷场是大忌。可以提前准备一个面试稿，比如提前准备一下xgb算法，把原理、推导、优化、面试中容易问到的问题提前记下来，为什么要用泰勒二阶展开、怎么并行化、特种重要度有哪几种计算方法？引导面试官往上面走

2.1、遇到挑战你的/不友好的面试官，有可能是在压力面，当然也有可能是其他情况，不要紧张、不要急躁、不要生气，一定要笑着面试

2.2、遇到不会的实话实说即可，答错比不会扣分更多

3. 最后给大家总结一下我经常遇到的问题，希望可以帮到大家

3.0 基础理论篇

• xgb原理、推导

• lr原理、推导

• FM原理、推导

• sgd、ftrl原理、推导

• 反向传播原理

• cart树如何剪枝

• 协同算法和优化

• 过拟合、欠拟合怎么做？

• mmoe/esmm 多目标学习算法原理

• YouTube双塔/mind/graph embedding 召回算法原理

3.1 业务篇

• 冷启动怎么做（要从user冷启、item冷启分别阐述）

• 实时策略如何融入算法

• 每个阶段，做了什么改进，指标提升了多少？

• 马太效应怎么解决？（结合具体场景和业界常用基础阐述）

• 如何进行召回融合？

最后推荐下我自己的博客：https://zjf-bigdata.blog.csdn.net/