爱奇艺机器学习算法实习面试总结

2018/3/9更新，实习已录用，很开心！大家有问题可以问我。

2018.3.1面试了爱奇艺机器学习算法实习生岗位，面了2个小时左右，两轮；现在把问题分享给大家，希望对大家以后的面试有帮助

第一轮面试问题：

(1)冒泡算法代码书写和复杂度分析：

本人非科班出身，数据结构/算法熟悉，但是没有具体练习过，只是用python写过选择排序，结果是大概过程写出来了；然后让我分析了一下冒泡算法最好的结果，n:这个复杂度由来是：利用标志位，做完第一轮循环之后，判断标志位，如果是是True,结果循环；n^2复杂度：由于冒泡算法第一轮循环是遍历元素，第二轮是进行相邻元素之间的位置调换，进行排序，在最糟糕的情况下，复杂度为（n(n-1)/2）=n^2

（2）Java接口interface和类class区别

JAVA学了一个月，大概了解一点；

接口中的方法不能有方法体；接口不能实例化对象；

接口只能用implements实现，而不能用extends继承，但是接口继承接口时要用extends；

一个类可以实现多个接口，只能继承一个类；

实现接口的类必须要实现接口中的方法，但继承类可以不重写父类中的方法；

接口的关键字是interface，类是class

（3）提问简历的论文发表

这个具体给他阐述了算法过程，迭代要求，让面试官理解了我的算法情况等；

（4）写代码，要求输入两个字符串，然后进行hash编码，并且相同索引部分放置相同数据，进行相似度比较，然后写SQL，要求把一个字段的最大3个数找出来；考察我的之前实习

记得当时用Python写了5分钟，他比较满意，SQL语句采用降序排列，限制top3即可，还是很简单的，代码的例子如下：select vv1,vv2 from tablename order by vv1 desc limit 3；

第一轮主要是这些问题，然后面试官希望我多看看视频，对机器学习有一个整体的把握，其实相关的书籍和视频都看了几遍，相关公式自己也推了几遍，只是实习竞赛和项目里面用的算法还是比较有倾向性，并没有大范围的进行使用，希望我更加熟悉java，当然也肯定了我的python 能力，也肯定了我的勤奋和努力，这个我会再接再厉的，然后他让我等一会，面二面；，希望我更加熟悉java，当然也肯定了我的python 能力，也肯定了我的勤奋和努力，这个我会再接再厉的，然后他让我等一会，面二面；

5分钟之后，来了第二个面试官，进行面试，这次面试主要是一些考察特征处理、思维的发散性和严谨性。

（6）自我介绍：

这个就大概说了一下课程情况，能实习多久，来多少天，研究方向、实习经历和论文情况；

（7）如果给你一个数据文档，内容是记录当天和第二天的一些用户搜索情况，你如何找出相同的搜索问题和从这些数据中，如何把学生群体挖掘出来；

当时我的回答是：听过数据去重，形成哈希数组，然后进行问题匹配，找到两天都被提出的问题；针对学生画像挖掘，首先从搜索问题入手，找出搜索教辅比较多的用户、然后再观察用户的活跃情况，具体到哪天什么时候活跃，周六周日的活跃情况，然后进行用户画像，找出学生群体；

（8）挖掘白领上下班时间和wifi是公共wifi还是私人wifi

个人回答：就上海这个地区而言，白领上下班观影大约集中在地铁上，通过对这段时间的数据分析，可以找到大概的白领上下班时间，然后面试官又问：如果是开车和其他乘坐方式的上下班用户，你如何进行挖掘，对其上下班时间，个人回答还是观察其个人的APP活跃时间，进行推理，然后通过其他辅助信息，强化推理，具体的解决方法，面试官也没有具体说明，只是对我的回答还算满意，但是还有不足；

针对wifi问题：首先观察wifi的用户量和流量，一般私有WIFI的连接数少（举例低于20），公共wifi的连接数较大，然后公共wifi的流量比较大，周一周五上班时间基本全天都在活跃，而私有wifi活跃程度并没有这么高；

（9）特征处理方法，问了我在kaggle上做的几个项目；问特征是如何进行处理的：比如连续类特征，你是进行直接的数字编码还是one-hot编码，我回答在处理过程中都用过，然后你做算法时，是如何选择特征的；我回答是：通过特征之间的相关性，特征与标签之间的相关性，进行特征组合选取，在通过交叉验证，迭代完成最优特征选择；

然后接着问：如果存在时间序列的特征在里面，用交叉验证是否会影响特征集合选择的过程，我回答是：通过重复试验和10-1交叉验证，能够去避免时间序列特征对算法的影响，因为在进行随机交叉和重复之后，这些信息影响能够被降低的。

（10）如何在一个几十甚至几百T的文件中，搜索文件，找出无重复的数据；

我的回答：通过对数据进行切片，分片处理，去重；然后进行组合，再去一次重；但是面试官说：如果两个切片文件切的相似，但是文件内容不相似，进行最后组合的过程中，还是会产生极大的数据运算量，我想了一会，并没有想到很好的解决方法。如何有同学有很好的解决方法，请指教，不胜感激

（11）如何在小样本上进行电影票房的预测

首先分析这个问题，数据量几十，太少了，难度大；然后考虑到用线性回归来做，对数据预处理和特征工程，选择合理的特征等等，其实个人还是没什么信息，因为样本太少了，然后面试官又说，如果票房存在跳跃增长，这些数据肯定不能放弃，因为本身数据就少，然后我的回答是通过自己添加一些特征来补充这方面信息，接着问，如果又要考虑节假日等情况呢，我想到的还是稀疏编码，补充信息，然后我问面试官有没有什么好办法，但是她没有回答，因为我确实没什么信息，对这个问题。

以上就是个人爱奇艺的面试过程，在最后问了一下面试官；我有什么不足，也是吸取上次携程面试的经验，她说：我需要恶补spark和hadoop技术，因为我只是看了技术文档，写了点小代码，但是实际中还是需要自己很强的代码能力，第二方面：是需要多使用模型，扩展自己的思维；特征工程的能力稍有不足，有待加强；还有就是代码能力需要再加强。这次面试收获还是很多的！

补充：python类中__init___作用：初始化作用