滴出行人工智能实验室招聘面试题.docxVIP

第PAGE页共NUMPAGES页

2026年滴出行人工智能实验室招聘面试题

一、编程能力测试（共3题，每题10分，总分30分）

1.Python编程题（10分）

题目：

实现一个函数`group_journeys_by_day_of_week(journeys)`，输入是一个包含多个出行记录的列表`journeys`，每个记录是一个字典，包含`start_time`（出发时间）和`destination`（目的地）两个键。函数需要返回一个字典，按星期几（周一到周日）对出行记录进行分组，并统计每天的总出行次数。

示例输入：

python

journeys=[

{start_time:2023-10-0108:00:00,destination:北京},

{start_time:2023-10-0210:30:00,destination:上海},

{start_time:2023-10-0114:20:00,destination:深圳},

{start_time:2023-10-0309:00:00,destination:广州},

{start_time:2023-10-0411:00:00,destination:杭州},

]

示例输出：

python

{

周一:2,

周二:1,

周三:0,

周四:0,

周五:0,

周六:0,

周日:0,

}

要求：

-使用Python标准库中的`datetime`模块处理时间字符串。

-输出字典的键为星期几的中文名称（如“周一”），值为该天的出行次数。

-忽略输入数据中的异常时间格式（如无效时间）。

2.算法设计题（10分）

题目：

假设滴出行需要优化城市内出行路线，给定一个起点和终点，系统需要从多个候选路线中找到最短路径。候选路线以邻接表形式表示，每个路线包含起点、终点和距离。请设计一个算法，输入起点、终点和邻接表，输出最短路径及其距离。

示例输入：

python

start=A

end=F

routes={

A:[(B,2),(C,4)],

B:[(C,1),(D,5)],

C:[(D,8),(E,2)],

D:[(E,3)],

E:[(F,3)],

F:[],

}

示例输出：

python

(A,B,C,E,F),10

要求：

-可以使用Dijkstra算法或A算法。

-输出最短路径的节点序列和总距离。

3.数据结构题（10分）

题目：

滴出行需要记录用户的出行偏好，包括常用目的地、出行时间等。请设计一个数据结构，支持以下操作：

-插入用户偏好（用户ID、目的地、出行时间）。

-查询某个用户的常用目的地（按出行次数排序）。

-删除某个用户的偏好记录。

示例：

python

insert(user1,北京,上午)

insert(user1,上海,下午)

insert(user2,北京,上午)

query(user1)#输出[(北京,2),(上海,1)]

delete(user1,上海)

query(user1)#输出[(北京,2)]

要求：

-数据结构需支持高效插入、查询和删除操作。

-描述数据结构的组成和主要方法。

二、机器学习与数据分析（共3题，每题10分，总分30分）

1.特征工程题（10分）

题目：

滴出行希望通过机器学习预测用户是否会取消订单。现有数据集包含以下字段：`order_id`（订单ID）、`user_id`（用户ID）、`order_time`（下单时间）、`pickup_time`（取车时间）、`distance`（行程距离）、`weather`（天气）、`is_canceled`（是否取消订单）。请设计至少3个特征工程方法，帮助模型更准确地预测订单取消。

要求：

-解释每个特征的构造逻辑和预期作用。

-说明如何处理缺失值或异常值。

2.模型评估题（10分）

题目：

滴出行使用机器学习模型预测订单是否会被取消，但取消率较低（约1%）。请解释以下问题：

-为什么使用准确率（Accuracy）作为评估指标可能不合适？

-提出至少两种更合适的评估指标，并说明理由。

-如何通过调整模型阈值平衡假阳性率和假阴性率？

3.自然语言处理题（10分）

题目：

滴出行客服系统需要通过NLP分析用户评论，判断用户满意度。现有数据包含用户评论文本，请设计一个简单的文本分类方案，将评论分为“满意”“一般”“不满意”三类。

要求：

-说明数据预处理步骤（如分词、停用词处理）。

-选择一种文本表示方法（如TF-IDF、Word2Vec）。

-简述分类模型的选择（如SVM、逻辑回