1.对推荐链路的了解，介绍一下推荐链路2.对粗排和精排模型区别的了解3.粗排和精排各自的quota大概多少4.发散性问题：怎么评估分散链路和one rec链路的效率5.发散性问题：为什么现在在用分散链路，而不用one rec，以及为什么现在在开发one rec6.对python用的多吗7.粗排和精排用到的模型8.sql1：一个很简单的商家维度聚合求指标值，涉及到最近7天的日期范围限定9.sql2：模型召回率和准确率的计算，涉及到CTE10.电商的价值是gmv，北极星指标，但是只看gmv够吗11.怎么评估一个推荐模型的好坏12.反问：两个方向，1.具体业务？2.工作内容占比？13.介绍实习的项目14.用什么指标去衡量用户体验15.用户退款行为1.有延迟 2.有稀疏（有的用户虽然不满意但是因为特殊原因没退款），那怎么去有效衡量16.实习项目中的策略是怎么输出的

1.挑一个项目介绍2.了解实习经历3.针对实习项目，问数据层次怎么分层4.数据分层的作用5.针对具体实习项目，说明业务逻辑6.说明实习项目的“订单量"这个指标从源头到产出的 ETL过程7.针对实习项目，复盘后最大的难点是什么8.复盘之后有什么收获9.你刚才说复盘收获是处理小文件，那么spark怎么处理小文件的?10.处理小文件有哪些方法，举例子11.hive冷热分离的方法12.你刚才提到了组里有做ec存储，你了解ec存储吗13.暑期实习有什么感受，转正了吗14.了解spark的semi join吗，他是干嘛的15.了解spark的AQE，这是什么16.你刚才讲AQE提到了广播机制，这个在spark中很重要，讲讲广播过程呢17.了解网络吗?讲讲三次握手和四次握手区别。18.了解数据结构吗?讲讲0(nlog n)的不稳定排序算法Q1.求开方:给定排序算法。num=5.79，error=1e-8，求x使得abs(x^2-num)

1.给了两个场景，异动分析和搭建指标2.手撕两道sql3.手撕排序算法4.项目机器学习拷打面试一直在拷打之前面试从来没被问到的项目(涉及到很多机器学习模型，和业务关联不大），狠狠被拷打了，面前就很强烈的觉得会比较看重算法和机器学习，果然是这样，手撕算法题，只答出了要用双指针。。

1.spark SQL执行过程2.DAG图怎么划分，RDD是什么3.宽窄依赖怎么划分，哪些算子会生成宽依赖，哪些算子会生成窄依赖4.宽依赖partition怎么处理，怎么去减少shuffle5. spark相对于MapReduce的优势6.spark内存爆了，怎么定位是否出现这个问题，问题出现在哪7.具体看哪个指标才能知道是否是内存爆了，内存溢出会带来什么问题8.spark和flink做实时有什么区别9.水位线什么概念10.窗口关闭只能根据水位线来实现吗11.flink分哪几种窗口

先说感受：截至目前，面试时间最长的一场面试，面试官很专业且细心，聊得很好再说过程：简单寒暄，聊了对岗位的了解程度（3min）面试老师介绍了业务和岗位情况（7min）一些个人经历的交流（5min）阐述了实习期间的top1项目&问题拓展（25min）考察对游戏场景的理解&分析思路（25min）反问交流（15min） 一些建议：1、多多梳理自己做过的实习项目，并不是为了应对面试，而是要沉淀自己的工作方法论，培养自己的个人潜力，这才是面试的重要考察点2、面对一些选择时，想清楚自己是“想要什么”还是“要避免失去什么”3、真诚才是必杀技！面对问题不要回避，阐述想法与思路，才是高效的交流