推荐系统百面百搭

NLP 面无不过面试交流群 (注：人满可添加小编wx：yzyykm666 加群！)

推荐系统百面百搭

一、推荐系统导论篇

1.1 什么是推荐系统？
1.2 推荐系统的作用？
1.3 推荐系统的意义？
1.4 推荐系统要解决的问题？
1.5 常用的推荐系统的逻辑框架是怎么样的呢？
1.6 常用的推荐系统的技术架构是怎么样的呢？
1.7 推荐系统算法工程师日常解决问题？
1.8 推荐系统算法工程师处理的数据部分有哪些，最后得到什么数据？
1.9 推荐系统算法工程师处理的模型部分有哪些，最后得到什么数据？
1.10 模型训练的方式？
1.11 推荐系统的流程是什么？
1.12 推荐系统的流程是什么？
1.13 推荐系统与搜索、广告的异同？
1.14 推荐系统整体架构？

点击查看答案

二、推荐系统机器学习篇

2.1 【关于协同过滤篇】那些你不知道的事

一、基础篇
- 1.1 什么是协同过滤？
- 1.2 协同过滤的推荐流程是怎么样？
二、基于用户的协同过滤（User-CF-Based）篇
- 2.1 基于用户的协同过滤（User-CF-Based）是什么？
- 2.2 基于用户的协同过滤（User-CF-Based）的**是什么？
- 2.3 基于用户的协同过滤（User-CF-Based）的特点是什么？
三、基于物品的协同过滤（Item-CF-Based）篇
- 3.1 基于物品的协同过滤（Item-CF-Based）是什么？
- 3.2 基于物品的协同过滤（Item-CF-Based）的**是什么？
- 3.3 基于物品的协同过滤（Item-CF-Based）的特点是什么？
- 3.4 基于物品的协同过滤（Item-CF-Based）的具体步骤是什么？
四、User-CF-Based 与 Item-CF-Based 对比篇
- 4.1 User-CF-Based 与 Item-CF-Based 的应用场景的区别
- 4.2 User-CF-Based 与 Item-CF-Based 的存在问题的区别
五、User-CF-Based 与 Item-CF-Based 问题篇

点击查看答案

2.2【关于矩阵分解篇】那些你不知道的事

一、动机篇
- 1.1 为什么需要矩阵分解？
二、隐语义模型介绍篇
- 2.1 什么是隐语义模型？
- 2.2 隐语义模型存在什么问题？
三、矩阵分解介绍篇
- 3.1 如何获取⽤户矩阵Q 和音乐矩阵P？
- 3.2 矩阵分解思路是什么？
- 3.3 矩阵分解原理是什么？
- 3.4 如何利用矩阵分解计算用户 u 对物品 v 的评分？
四、矩阵分解优缺点篇
- 4.1 矩阵分解存在什么问题？

点击查看答案

2.3 【关于逻辑回归篇】那些你不知道的事

一、动机篇
- 1.1 为什么需要逻辑回归？
二、逻辑回归介绍篇
- 2.1 逻辑回归如何解决上述问题？
- 2.2 什么是逻辑回归
三、逻辑回归推导篇
- 3.1 逻辑回归如何推导？
- 3.2 逻辑回归如何求解优化？
四、逻辑回归推荐流程篇
- 4.1 逻辑回归推荐流程？
五、逻辑回归优缺点篇
- 5.1 逻辑回归有哪些优点？
- 5.2 逻辑回归有哪些缺点？

点击查看答案

2.4 FM 算法篇

一、为什么要使用 FM？
二、FM 的思路是什么？
三、FM 的优点？
四、FM 的缺点？
五、POLY2 vs FM？

点击查看答案

2.5 FFM 算法篇

一、为什么要使用 FFM？
二、FFM 的思路是什么？
三、FM vs FFM？

点击查看答案

2.6 GBDT+LR 篇

一、动机篇
- 1.1 为什么需要 GBDT+LR？
二、GBDT 介绍篇
- 2.1 GBDT 的基础结构是什么样的？
- 2.2 GBDT 的学习方式？
- 2.3 GBDT 的思路？
- 2.4 GBDT 的特点是怎么样？
- 2.5 GBDT 所用分类器是什么？
- 2.6 GBDT 解决二分类和回归问题的方式？
- 2.7 GBDT 损失函数是什么？
- 2.8 构建分类GBDT的步骤是什么？
- 2.9 GBDT 优缺点篇？
三、GBDT+LR 模型介绍篇
- 3.1 GBDT+LR 模型思路是什么样？
- 3.2 GBDT+LR 模型步骤是什么样？
- 3.3 GBDT+LR 模型关键点是什么样？
- 3.4 GBDT+LR 模型本质是什么样？
四、GBDT+LR 优缺点篇
- 4.1 GBDT+LR 的优点是什么？
- 4.2 GBDT+LR 的缺点是什么？
五、问题讨论
- 5.1 为什么要使用集成的决策树模型，而不是单棵的决策树模型？
- 5.2 为什么建树采用GBDT而非RF？
- 5.3 Logistic Regression是一个线性分类器，也就是说会忽略掉特征与特征之间的关联信息，那么是否可以采用构建新的交叉特征这一特征组合方式从而提高模型的效果？
- 5.4 GBDT很有可能构造出的新训练数据是高维的稀疏矩阵，而Logistic Regression使用高维稀疏矩阵进行训练，会直接导致计算量过大，特征权值更新缓慢的问题？
- 5.5 FM 因为采用FM对本来已经是高维稀疏矩阵做完特征交叉后，新的特征维度会更加多，并且由于元素非0即1，新的特征数据可能也会更加稀疏，那么怎么办？
- 5.6 为什么要将GBDT与LR融合？