今天去面的是作业帮的算法工程师实习生，做的是广告相关的推荐算法，公司地址在西二旗那边的软件园，不能地铁直达，先骑小黄车去了五道口，然后从五道口坐了两站的地铁到了西二旗，然后又是近两公里的小黄车，但实际直线距离并不是很长，坐公交其实很直接，直接十几站就到了。
首先是一个很温柔的面试官，下面是面试官的问题：
朴素贝叶斯的原理，如果一个词没有出现过，怎么办（拉普拉斯平滑）
手推 SVM，（这个掌握的还阔以）
问了三道算法题：
一个数组，给定k,查找和为k的两个数的下标：给出了O(N)复杂度的算法，类似于桶排序那种，面试官让优化的时候，用哈希，但是没用过，要多学了
手写反转链表，包括边界条件的处理，这是最基础的，答的还可以
给定链表，查找倒数第k个节点的值，（面试官告诉我的只用遍历一遍的方法）：
用两个指针，一个移动k个，然后一起移动。
二面：
一个看起来技术很高的人，也很友好，很温柔的给我讲解。上来先问了上一个面试官问了我几道算法题，我说三道，然后他说这么多的嘛，一般不是一道就够了嘛，emmm,可能是看我太菜了吧，不过问的都不是特别的难和复杂。
首先问了项目上的一些问题，给他简单讲了Unet的网络结构。
问LR,写逻辑回归的梯度下降，这时我说了逻辑回归的梯度下降与线性回归的类似。只是决策函数变成了逻辑函数。
问了SGD中的学习率怎么选的问题（答了两种，1/t e^-t），面试官说常用的是1/根号t
然后面试官开始给我讲随机梯度下降的各种变种，从学习率上进行改变的有：adagrad等，从梯度方向上进行改变的有动量法。
问了GBDT，工业上很常用的，我只说了用负梯度来拟合残差，用负梯度来拟合残差，是为了消除异常点的对loss的很大的影响。（面试官说是为了消除正负样本差别大的影响）
三面是这个部门的老大面的，非常精干，没有问技术的问题，进来就聊了一下实习时间，这个部门是主要做什么的，让等通知。
首先能参与推荐算法的实际的项目，是一定会有很大的进步的，这个部门刚成立不久，如果我进去的话，一定也会成长很快。
