小米推荐算法实习生新鲜面经

气氛很好，不是压力面，聊天似的。主要是关心了一下为啥不接着在滴滴实习要重新找工作。我大概说了一下是因为，干的活比较偏业务不是我理想中的data sci，然后他问了一下简历里面实习当中做的事情，也没有啥，讲了一下Python和SQL经历，问了一下数据结构算法有关的知识，还有git，linux主要操作，数据结果问得多的是stack和queue，先进后出和先进先出，stack用于DFS比较多，还有linkedlist和arraylist的区别。排序算法原理和时间空间复杂度，快排平均nlgn最差n方，我回答的是基于partition，作为轴，两边分别比它大或者小。

之后有关feed steams，问了一下hive的底层原理。。为什么sql可以直接hive读取转化，我说我只知道跟mapreduce有关，底层不清楚，面试官说没关系。

然后问了一下是不是用过spark，我说spark通过Python接口用过，而且是数据量特别大的时候才用。用过pyspark的MLlib搭建过pipeline。面试官问了一下上次实习写的代码量，我说主要以sql和python为主，python主要以pandas matplotlib为主，大概几千行吧。但是很多都是改来改去重复的。

接下来在线写代码，给了一个链接是共享doc，有点像google docs，中文版的，石墨文档

1、排序

数组= {4,1,2,3,6,3,10,9}

我用Python装的经典算法导论的实现，基于partition 最后解释了一下partition函数的作用，linear selection time，最后给了unit test

2、二叉树后序遍历

用了两种实现，一种是基于recursion，一种是基于两个stack改造成的，写完之后面试官让解释了一下思路，这个思想是剑指offer里面提到过的，俩queue模拟stack, 俩stack模拟queue，stack1存到stack2然后再pop一次就是后序遍历了。

写完代码之后面试官讲了team里的业务，主要负责feed streams的选择推送，相似度计算，协同算法，基于用户，基于物品。技术栈是JAVA Scala 框架Spring，实时推荐为主，基于数据，用户feed streams内容导向涉及到NLP，不需要给文本打标签，有专门的标签团队，在线离线推荐都有。

之后讲了一下实习地点。光谷金融港。。。好远。。。早上9.30 晚上8点左右 不强制打卡，没有食堂，附近有吃的。

面试官说一面他这里是没有问题，后面是HR的问题，因为我六月才回来所以到时候跟进headcount