4.9 中国移动研究院（北京） 研发岗 一面
部门介绍：对用户的行为数据（主要是文本数据）进行处理，做一些推荐的工作。与通信等相关性不大。
1.spark了解多少。（讲到GMM有被打断，需要精简spark这边的内容）
用spark处理过多大规模的数据。
2.介绍一下关于因子分解机的项目，系统有没有上线。
（因为提到自己主要做的是数据处理和评估工作）具体评估结果如何。
协同过滤和因子分解机的效果和区别、优缺点，协同过滤用的是基于用户还是基于物品。
3.内存是如何优化了21%的。（有跟面试官讨论从C语言侧进行优化效果更好）
4.对Python有多熟，Python常用数据类型。
5.想做研发还是算法。
6.对未来工作单位有什么期许，是更向往互联网还是国企。（有提到自己一直是在研究院实习）
自我介绍的时候有提到不会java，对方说没关系，因为看到自己是转专业。
竟然没有问图像处理的项目，看来是部门不做这方面业务。
4.17 中国移动研究院 研发岗 二面领导面
4.23 京东搜索排序部 算法实习生 一面
对机器学习了解多少，熟悉的机器学习算法。常见的优化方法，（面试官介绍了下机器学习就是去找最优解），（答梯度下降法和牛顿迭代法），问什么情况下会出现梯度消失。
spark的熟悉程度。
对深度学习了解多少（答知道反向传播）。
挑一个熟悉的项目聊，挑了推荐系统的项目。手写因子分解机的公式，会不会接下来的推导（没答上来）。因子分解机和协同过滤相比的优缺点。
实习涉及到XGBoost，问XGBoost对于连续特征如何选择分裂点。（答用信息熵分裂，没有答到点上；面试官引导往二分法方向上去想，其实就是用一定方法去定位几个特殊点/桩）。
全程无打断，很好的面试官，可惜最后编程跪了。
11.16 字节Data广告部门 算法工程师 一面
说是偏业务==需要根据广告商需要根据工程输出实际情况写代码= =
凉了...上来一道买卖股票（只能一次买入卖出），兴冲冲拿动态规划写了，结果没注意有初始钱（没注意到买很多股）。
面试官提醒返回的是利润，我说记录下来个循环做个比较，他说对你拿最简单的循环写吧，时间复杂度应该是n方（我知道但是我写的很慢...）
后来拿递归写的他也不太满意。怪自己平时只关注思路了= =
总的来说他要的就是一个bug-free的状态。
接下来说项目，介绍前司干啥的（果然互联网和IT设备绝缘...）和我做的这个项目参与了啥。
说我参与度底，拼命解释；可以看出部门是很重视代码实现能力。
说模型优化的时候他问feature数量，说了下自己遇到模型优化的见解和普遍做法：接下来更多的是深入算法内部进行优化，但是从工程上算法内部优化带来的影响可以忽略不计。拼命解释+1，说不止考虑了样本量问题，确实往算法内部去优化了，并且这个补差最终就是达到了1% 2%这样的差距，呼应了他说小差距可以不用管的说辞...这么看更多时候就是样本量决定效果上限，从他看来这个优化没有意义。
他一直想听我算法层面的理解和比较，说智慧交通这个也是XGBoost相关，那说下LightGBM XGBoost Random Forest GBDT的优缺点吧，大概说了下。
提到GBDT串行XGBoost并行，问XGBoost并行是特征层面上并行还是树层面上并行——这个问题太基础了，我觉得答错可能会被直接终止面试...好在想起来了，是特征粒度上的并行，树还是只能一棵棵迭代的。
问了LightGBM相对XGBoost的优点——个人理解和hist差不多，就这么答的；过拟合可以设置max_depth之类的。
说接下来问工程层面的问题：
Spark编程懂哪些；说用Python，Sparksql，graph之类...项目实现过聚类kmeans，平时作业就用小文件。面试官问如果有个表，你怎么从列、从行做操作；答首先选择是对rdd还是dataframe进行操作，一般列操作是dataframe（面试官：嗯对），然后select和orderby，行没答上来，说不常用，也许可以用graph？面试官说从rdd层面去想。
问你们用Spark很多吗，他说是，因为这个生态比较成熟，像Dask那种库现在都不用了。
问我有啥问题，我说你们是工程实现为主是吗，他们说是，广告商如果投放了广告效果不好，我们告诉他怎么投放，比较偏业务。（程序员说的偏业务我有误解呜呜呜）
问深度学习用的多吗，他说一般都是LR和Deep合作这样（我知道啊呜呜呜）。
感觉总体状态就是“我知道！”但是表达不出来...