小米内推-搜索推荐算法岗一面，二面，三面面经

楼主非科班出身，一名小小的研究生（非985），数不清多少次的内推，没有一次给了面试机会，终于在8月30下午接到小米内推的预约周五，今天（9月1号）面试的电话。刚刚结束了小米的一面，遂写下此面经，攒点人品。话不多说，我们开始。

一面：

1.自我介绍（一般套路）

我介绍了自己的研究方向，自己读研期间的项目以及实习经历。

2.介绍下你简历里面令你印象深刻的项目，为什么？

我说了一个实习经历，原因是真实场景，会遇到各种以前没见过的问题，balabala。。。

（期间会打断我，不断的问实习的时候做的事情，什么特征选择，特征的维度，用户和物品的数量）。

3.（开始问算法）说说线性回归，我结合逻辑回归基本讲了一下原理

4.问了xgboost（我实习的时候用过xgboost，所以写在简历上），问特征维度是1600，你一般建多少颗树，数的深度你怎么设置，以及其他的参数怎么设置？

我说我当时设置100颗树（具体我也忘了。。。因为当时实习的时候是leader把参数设置好让我去跑的）,树的深度我回答50（回答完我就后悔了），面试官问：数的深度是50，你算算有多少结点（自己挖了个坑啊2^50-1，自己笑笑说可能记错了。。。尴尬）。

5.你了解JVM的参数设置吗，比如现在频繁出现GC，你应该怎么做？我说出现GC可能是内存不够用，可以考虑把堆内存调大一点。

6.延伸第五个问题，你怎么调整内存中新生代和老年代的内存大小？（其实我内心是奔溃的）我说新生代和老年代的比例不是固定的嘛？1:2.。。。（好吧，我对这块不熟悉）然后就过了。。。

7.HashMap和Hashtable和Map的区别我从线程安全和是否容许null来回答的。

8.然后又问，Hashtable的线程安全你知道是怎么实现的嘛？说真的，这题我真不知道怎么回答，我只是说了加了synchronized关键字。

9.你和我说说sparkRDD吧 然后我从两大类的算子大致说了下RDD。

10.说了一个场景：现在我用spark跑一个逻辑回归模型程序，发现数据倾斜了，你怎么解决？

我说首先分析是否算子方面写的不合理，然后说如果是数据方面的原因，可以考虑对数据进行预处理，然后单独去处理这部分的会导致倾斜的数据。（中间打断了我一次，说，如果在跑程序的过程中，如果是数据出现的问题，你会停止然后重新做？我好直接说：会。。。不知道回答的对不对。。。估计是不是想考我rdd方面的知识，奈何不太熟悉）。

11.问我有什么想问的？

整个过程40分钟左右中间电话还断了一次，我问完两个问题，然后面试就结束了，都没说后面还有没有面试了，留下我一脸蒙蔽，心想挂了吧，回去写个面经吧。

还有其他的问题我就记不起来了，原因是，我在写面经的过程中，二面的电话来了，接下来是二面的面经。

===================================================================================================

二面：

1.自我介绍

我将刚刚那一套又说了一遍。。。实在不知道还有什么好说的。

2.说一下xgboost

我简单说了一下原理。

3.给我介绍下，推荐方面有那些算法

我大致将两类的推荐算法都说了。

4.我看你简历上写了fm，那你和我说说fm吧

我也简单说了下fm的思想。

5.现在给你一亿的用户，和一亿的物品，你怎么去做推荐？

说实话，当时听到这个问题的时候，我内心是拒绝的，心想：我在研究所里最多用的也不过是几万的用户几十万的物品，一亿你存心为难我吧。硬着头皮说，既然数据量这么大的话，是否可以先进行数据预处理，然后利用spark去做？我当时用的是问号，其实是希望面试官回答我的这个问题，结果他直接过了。。。

6.然后问我项目的事情，问我实习的项目，推荐系统的流程（当时我在实习的时候也是做得推荐）？

我将整个推荐的流程说了一遍，从数据的处理到数据的应用。

7.你在实习的时候，在召回的步骤用的协同过滤和ALS会不会出现一些效果不好的情况，然后你怎么分析的？

这个问题，我并没有回答，因为我确实没有参与召回策略那一块。只好说我没有参与，然后转向说目前业界这些基本的算法应该还是很好用的。

整个过程大概是15分钟，很短，结果二面面试官跟我说，你在我这儿ok，我来问问其他的同事，如果有三面，等会再联系你。

====================================================================================================

三面：

接到三面的电话，我还特意找了一个清净的地方，结果说要电脑，要写代码，我只好回到办公室。

1.你给我写一下链表的反转

我还特意问了下，时间复杂度和空间复杂度有什么要求？面试官说没有，这个还是很好写的，看过左神书的应该都会写这个，然后写了一个最优的。

2.你还有没有其他的方式来实现这个？

我说递归（说完我就后悔了。。。），面试官说你写一个递归的版本吧，好在网速不稳定页面刷不出来，然后就没写了，让我口述了一下。

说完，来了一句其实就是考考你递归。。。

3.你一般用java是吧，你对GC熟悉吗，给我说说GC的有几个算法并说下原理

我说了标记-清除，标记-整理，还有一个死活想不起来名字，然后说还有一个的原理是这样的，但我忘了叫什么名字。。。

4.JVM内存是怎么划分的？

答了堆内存从物理上可以分为年轻代和老年代

5.年轻代是否可以继续划分？

答了Eden区和Survivor区，然后两个的比例。

6.这个比例是固定的嘛?是否可以调整？

这个问题，我不知道，我记得是固定的8：1：1。。。然后问：这个比例可以调整吗？我没遇到过。。。

7.什么时候会触发年轻代的GC？

中间还有几个问题我忘了。。。

后面聊推荐，因为我的研究方向是推荐，所以聊天推荐的话还行，感觉和三面的面试官后面的时间不像面试，倒是像在交流。面完，同屋子里说，还以为你和谁讨论问题。。。

三面大概一个小时。

总结下：

1.无论结果怎么样，至少是秋招的第一场面试，对我这个内推好几家没有一家回复的人来说是一种安慰，感谢。

2.面试官貌似很在意你解决实际问题的能力，所以投机器学习或者数据挖掘的童鞋们，感觉要多模拟下实际的场景。

3.第一次写面经，写的不好，请大家指正。