面试算法工程师时，我居然被化学专业转行的老哥血虐了

全世界有3.14 % 的人已经关注了

数据与算法之美

我是小A，一个没能当成算法工程师的菜鸡Java工程师，内心却等着上AI这趟车。

去年正是人工智能火热的时候，看着各种高薪招聘，我沉寂很久的内心也火热起来了。但是想归想，我内心还是有很多纠结的。

640?wx_fmt=gif

自己已经很多年没有碰过高数线代概率论，“刚毕业的本科生也能年薪50万”这样的话看着心动，但又觉得不会那么容易。

身边转型的朋友倒是越来越多，想来想去，我决定自己先自学一番。我瞄准了算法工程师里最火的推荐算法，毕竟开源资料多如牛毛，有啥不懂，Google一下，问题全解决。

在撸完西瓜书、统计学习方法后，自己动手刷了刷天池的新人赛。但是成绩一直很一般，却不知该如何下手。

640?wx_fmt=jpeg

前辈说，不能等着什么都学会了，才去找工作，不然黄花菜都凉了。于是，我鼓起勇气，就拿现有的项目试试看吧。一顿海投之后，还真有收到不少面试邀请，其中还不乏行业老大！我的求职之路start！

面试那天早上在电梯里碰到了同一层下的哥们，凑过去套近乎发现是面同一岗位的竞争对手。不过是从化学专业转过来的，对自己多了点信心，感觉offer有点稳！

640?wx_fmt=jpeg

回顾下面试的情况：

一面只是简单问了下个人情况，二面的技术面竟然是我和电梯那位小哥一起。

不过之前了解了些情况，对自己还是很自信的，强调了自己的Java背景，什么转型上手快啊、学习能力强。面试官听完自我介绍开始对我俩提问了。

面试官：推荐系统有哪些处理方式？
我：（这还不简单，早背下来了）基于内容推荐、协同过滤、矩阵分解与隐语义模型
面试官：嗯，好
帅哥：还有word2vec行为序列建模

面试官点点头。

面试官：小A，你来说说基于内容的推荐是怎么做的？
我：对文本做表示(简单的主题词提取、词袋模型表示、TF-IDF向量表示)，再匹配距离。
面试官转向小帅哥：协同过滤有哪几种？它的基本原理是什么？
帅哥：两种，基于用户的协同过滤推荐，基于物品的协同过滤推荐。协同过滤就是一种基于近邻的推荐算法。

面试官点点头。

面试官：那么你们各自最常使用的是哪种？说说理由吧。
我（抢答）：最常使用的是基于物品的协同过滤。原因是物品相似度的稳定度高，而且可以给出可理解的解释
帅哥：同意

面试官：实际应用时，有新数据会遇到冷启动问题，你一般怎么解决这个问题？
我：（卧槽！他说的是啥？）额···
帅哥：基于内容的推荐可以一定程度缓解冷启动问题，还是就是要采集信息了

面试官低着头，抬了抬眉毛。

面试官：TF-IDF计算方式，表示成向量以后，相似度计算的度量准则有哪些？
帅哥：两个部分term frequency和inverse document frequency，计算后作乘积。度量标准有cos距离，pearson相似度，Jaccard相似度等

我：······

面试官：你会用word2vec对用户行为序列进行建模，了解word2vec的模型结构吗？层次化softmax和负例采样分别是什么样的？
帅哥：是一个不带隐层的分类器，比如CBOW就是用窗口内周边的词去预测中间词，因为尾部的类别(词表大小)很多，所以需要用一些方式去优化，比如层次化softmax是构建了一颗哈夫曼树，然后把平铺开的多分类转成类似多次二分类；negative sampling是采样一部分非positive的类别构建分类器。具体的图是这样的...

我：······