快手推荐算法实习面经
岗位：推荐算法实习生-策略中台
一面（4/26, 1h）
1.自我介绍
2. 简历项目
- 问了电商销量预测的项目
3. 对Embedding的理解
4. 介绍一个了解的算法，说了XGBoost
- XGBoost和GBDT的不同点
- XGBoost是怎么选择最优分裂点的
5. 对深度学习的了解
- 说了LSTM
6. 解释AUC
7. 2道算法题
我刷题刷太少了，真的不会。面试官还很耐心地给我提示，然而。。没做出来。还是要多刷题。
Q1: 小偷知道每家有多少钱，但偷了一家之后，不能偷挨着的两家，否则立刻会报警。输入一个列表，记录每家有多少钱，输出小偷能偷到的最多的钱。
Q2：leetcode 20， 有效的括号
这个思路说出来了，但代码没写出来。。数据结构都给忘了
二面（5/25, 1h, 社区科学部)
1. 自我介绍
2. 介绍简历项目
- 点击率预估项目
数据量有多少，正负样本比例。
为什么用DeepFM，介绍一下。
为什么Deep部分和wide部分要共享embedding输入，不共享有什么好处和坏处。（面试官说不共享的好处，可能deep部分对embedding的理解和wide不同）
为什么FM适合高维稀疏特征。
你们特征量有多少，为什么不先试树模型，而直接用深度学习模型。
3. 对推荐系统有什么了解
4. 模型如何进行在线训练，和离线训练有什么区别。问了之前的模型是怎么给业务方输出的，是否是在线预估
这块答的不好，因为之前没有做过模型上线。
5. 在线做题
- 二叉树，每次可以切分成左右两个子树，对两边子树所有结点的值求和，再乘积。求遍历所有切分点情况下乘积的最大值
- 输入带有多个空格的字符串，返回只有一个空格隔开的
6. 反问
介绍了社区科学部，主要做推荐系统和广告算法。产品包括主站双链、精选单链、快手极速版。也按不同页面分：发现页流量最大，关注页，同城页。
工作包括模型优化，粗排精排的优化。
HR面（6/9, 20min）
1. 自我介绍
2. 对互联网行业和快手的理解
3. 从哪里获取信息
4. 介绍一个自己做的项目，如何克服困难
快手开奖13人在聊