推荐系统面试题精解：从CTR拟合到推荐算法选择.pdfVIP

2014推荐工程师面试

2015-08-11

1、什么情况下用指数函数拟合数据？（背景是想用指数函数拟合CTR与展示次

数的关系，不知道这样子合适不？）

2、选择userCF与itemCF需要考虑的因素？

答：

1、数据稀疏性。使用userCF要求用户相似度矩阵较稠密，使用itemCF要求

物品相似度矩阵较稠密。

2、（用户与）物品更新频率。若物品更新特别快，则itemCF物品相似度矩

阵成本较大。

3、对个性化和实时性的要求。userCF反映的是某一相同群体的热点，实时

性较好，个性化不足。

itemCF根据用户行为进行推荐，比较个性化。

4、解释性。itemCF可以解释，userCF难以解释。

3、logistic回归的目标函数。（先询问了知道哪些ML算法，然后面试官

挑了LR来问）

答：写的是tagert与hypothesis的最小二乘形式。还被面试官确认了一下“最

小二乘”，随后被问似然函数？现在想来，应该回答最小二乘形式等价于

最大似然，在样本独立同分布的情况下。将logistic回归放在GLM框架中讲时，

应该将框架的三条要求写完整，用该框架介绍logistic回归，然后介绍多元

logistic回归。

4、询问的问题：中间的“好友关注”推荐与右侧的“可能感的人”推

荐有什么区别？

答：中间是属于用户的空间，所做推荐更偏重于社交关系，很有可能是已经认识

的，或者同一学校、同一工程的。右边的是商业空间，所做推荐可能更偏重。

5、了解哪些优化算法？

答：梯度下降、牛顿。对regulation了解不？知道，但讲不清楚。

6、推荐系统做什么事情？

答：将用户感的、但目前不知道的物品推荐给他。后续的问题是：怎么衡量

用户不知道？怎么衡量用户感？这个问题当时回答的不好。前者可以用物

品的点击次数衡量，如果被所有人点击的次数的综合较少，则用户很有有可能不

知道。后者：和某用户有相似行为的其他人感，则该用户也可能感。

今天面试时的不足：

1、没有将对LDA的了解提出来。

2、第二次被问到优化算法，要准备一下。