- 相關(guān)推薦
百度校園招聘數(shù)據(jù)挖掘工程師面試題集錦
一、簡答題(30分)
1、簡述數(shù)據(jù)庫操作的步驟(10分)
步驟：建立數(shù)據(jù)庫連接、打開數(shù)據(jù)庫連接、建立數(shù)據(jù)庫命令、運(yùn)行數(shù)據(jù)庫命令、保存數(shù)據(jù)庫命令、關(guān)閉數(shù)據(jù)庫連接。
經(jīng)萍萍提醒，了解到應(yīng)該把preparedStatement預(yù)處理也考慮在數(shù)據(jù)庫的操作步驟中。此外，對實(shí)時(shí)性要求不強(qiáng)時(shí)，可以使用數(shù)據(jù)庫緩存。
2、TCP/IP的四層結(jié)構(gòu)(10分)
3、什么是MVC結(jié)構(gòu)，簡要介紹各層結(jié)構(gòu)的作用(10分)
Model、view、control。
我之前有寫過一篇《MVC層次的劃分》
二、算法與程序設(shè)計(jì)(45分)
1、由a-z、0-9組成3位的字符密碼，設(shè)計(jì)一個(gè)算法，列出并打印所有可能的密碼組合(可用偽代碼、C、C++、Java實(shí)現(xiàn))(15分)
把a(bǔ)-z,0-9共(26+10)個(gè)字符做成一個(gè)數(shù)組，然后用三個(gè)for循環(huán)遍歷即可。每一層的遍歷都是從數(shù)組的第0位開始。
2、實(shí)現(xiàn)字符串反轉(zhuǎn)函數(shù)(15分)
#include
cout << s << endl; int len = s.length(); char temp = 'a'; for(int i = 0; i < len/2; i++){
temp = s[i];
s[i] = s[len - 1 - i];
s[len - 1 - i] = temp;
}
cout << s;
}
3、百度鳳巢系統(tǒng)，廣告客戶購買一系列關(guān)鍵詞，數(shù)據(jù)結(jié)構(gòu)如下：(15分)
User1 手機(jī) 智能手機(jī) iphone 臺式機(jī) …
User2 手機(jī) iphone 筆記本電腦 三星手機(jī) …
User3 htc 平板電腦 手機(jī) …
(1)根據(jù)以上數(shù)據(jù)結(jié)構(gòu)對關(guān)鍵詞進(jìn)行KMeans聚類，請列出關(guān)鍵詞的向量表示、距離公式和KMeans算法的整體步驟
KMeans方法一個(gè)很重要的部分就是如何定義距離，而距離又牽扯到特征向量的定義，畢竟距離是對兩個(gè)特征向量進(jìn)行衡量。
本題中，我們建立一個(gè)table。
只要兩個(gè)關(guān)鍵詞在同一個(gè)user的描述中出現(xiàn)，我們就將它在相應(yīng)的表格的位置加1.
這樣我們就有了每個(gè)關(guān)鍵詞的特征向量。
例如：
<手機(jī)>=(1,1,2,1,1,1,0,0)
<智能手機(jī)> = (1,1,1,1,0,0,0,0)
我們使用夾角余弦公式來計(jì)算這兩個(gè)向量的距離。
夾角余弦公式：
設(shè)有兩個(gè)向量a和b，，
所以，cos<手機(jī)，智能機(jī)>=(1+1+2+1)/(sqrt(7+2^2)*sqrt(4))=0.75
cos<手機(jī)，iphone>=(2+1+2+1+1+1)/(sqrt(7+2^2)*sqrt(2^2+5))=0.80
夾角余弦值越大說明兩者之間的夾角越小，夾角越小說明相關(guān)度越高。
通過夾角余弦值我們可以計(jì)算出每兩個(gè)關(guān)鍵詞之間的距離。
特征向量和距離計(jì)算公式的選擇(還有其他很多種距離計(jì)算方式，各有其適應(yīng)的應(yīng)用場所)完成后，就可以進(jìn)入KMeans算法。
KMeans算法有兩個(gè)主要步驟：1、確定k個(gè)中心點(diǎn);2、計(jì)算各個(gè)點(diǎn)與中心點(diǎn)的距離，然后貼上類標(biāo)，然后針對各個(gè)類，重新計(jì)算其中心點(diǎn)的位置。
初始化時(shí)，可以設(shè)定k個(gè)中心點(diǎn)的位置為隨機(jī)值，也可以全賦值為0。
KMeans的實(shí)現(xiàn)代碼有很多，這里就不寫了。
不過值得一提的是MapReduce模型并不適合計(jì)算KMeans這類遞歸型的算法，MR最拿手的還是流水型的算法。KMeans可以使用MPI模型很方便的計(jì)算(慶幸的是YARN中似乎開始支持MPI模型了)，所以hadoop上現(xiàn)在也可以方便的寫高效算法了(但是要是MRv2哦)。
(2)計(jì)算給定關(guān)鍵詞與客戶關(guān)鍵詞的文字相關(guān)性，請列出關(guān)鍵詞與客戶的表達(dá)符號和計(jì)算公式
這邊的文字相關(guān)性不知道是不是指非語義的相關(guān)性，而只是詞頻統(tǒng)計(jì)上的相關(guān)性?如果是語義相關(guān)的，可能還需要引入topic model來做輔助(可以看一下百度搜索研發(fā)部官方博客的這篇【語義主題計(jì)算】)……
如果是指詞頻統(tǒng)計(jì)的話，個(gè)人認(rèn)為可以使用Jaccard系數(shù)來計(jì)算。
通過第一問中的表格，我們可以知道某個(gè)關(guān)鍵詞的向量，現(xiàn)在將這個(gè)向量做一個(gè)簡單的變化：如果某個(gè)分量不為0則記為1，表示包含這個(gè)分量元素，這樣某個(gè)關(guān)鍵詞就可以變成一些詞語的集合，記為A。
客戶輸入的關(guān)鍵詞列表也可以表示為一個(gè)集合，記為B
Jaccard系數(shù)的計(jì)算方法是：
所以，假設(shè)某個(gè)用戶userX的關(guān)鍵詞表達(dá)為：{三星手機(jī)，手機(jī)，平板電腦}
那么，關(guān)鍵詞“手機(jī)”與userX的關(guān)鍵詞之間的相關(guān)性為：
J("手機(jī)"，“userX關(guān)鍵詞”)=|{三星手機(jī)，手機(jī)，平板電腦}|/|{手機(jī)，智能手機(jī)，iphone，臺式機(jī)，筆記本電腦，三星手機(jī)，HTC，平板電腦}| = 3/8
關(guān)鍵詞“三星手機(jī)”與用戶userX的關(guān)鍵詞之間的相關(guān)性為：
J("三星手機(jī)"，“userX關(guān)鍵詞”)=|{手機(jī)，三星手機(jī)}|/|{手機(jī)，三星手機(jī)，iphone，筆記本電腦，平板電腦}| = 2/5
三、系統(tǒng)設(shè)計(jì)題(25分)
一維數(shù)據(jù)的擬合，給定數(shù)據(jù)集{xi,yi}(i=1,…,n)，xi是訓(xùn)練數(shù)據(jù)，yi是對應(yīng)的預(yù)期值。擬使用線性、二次、高次等函數(shù)進(jìn)行擬合
線性：f(x)=ax+b
二次：f(x)=ax^2+bx+c
三次：f(x)=ax^3+bx^2+cx+d
(1)請依次列出線性、二次、三次擬合的誤差函數(shù)表達(dá)式(2分)
誤差函數(shù)的計(jì)算公式為：
系數(shù)1/2只是為了之后求導(dǎo)的時(shí)候方便約掉而已。
那分別將線性、二次、三次函數(shù)帶入至公式中f(xi)的位置，就可以得到它們的誤差函數(shù)表達(dá)式了。
(2)按照梯度下降法進(jìn)行擬合，請給出具體的推導(dǎo)過程。(7分)
假設(shè)我們樣本集的大小為m，每個(gè)樣本的特征向量為X1=(x11,x12, ..., x1n)。
那么整個(gè)樣本集可以表示為一個(gè)矩陣：
其中每一行為一個(gè)樣本向量。
我們假設(shè)系數(shù)為θ，則有系數(shù)向量：
對于第 i 個(gè)樣本，我們定義誤差變量為
我們可以計(jì)算cost function：
由于θ是一個(gè)n維向量，所以對每一個(gè)分量求偏導(dǎo)：
梯度下降的精華就在于下面這個(gè)式子：
這個(gè)式子是什么意思呢?是將系數(shù)減去導(dǎo)數(shù)(導(dǎo)數(shù)前的系數(shù)先暫時(shí)不用理會)，為什么是減去導(dǎo)數(shù)?我們看一個(gè)二維的例子。
假設(shè)有一個(gè)曲線如圖所示：
假設(shè)我們處在紅色的點(diǎn)上，那么得到的導(dǎo)數(shù)是個(gè)負(fù)值。此時(shí)，我在當(dāng)前位置(x軸)的基礎(chǔ)上減去一個(gè)負(fù)值，就相當(dāng)于加上了一個(gè)正值，那么就朝導(dǎo)數(shù)為0的位置移動了一些。
如果當(dāng)前所處的位置是在最低點(diǎn)的右邊，那么就是減去一個(gè)正值(導(dǎo)數(shù)為正)，相當(dāng)于往左移動了一些距離，也是朝著導(dǎo)數(shù)為0的位置移動了一些。
這就是梯度下降最本質(zhì)的思想。
那么到底一次該移動多少呢?就是又導(dǎo)數(shù)前面的系數(shù)α來決定的。
現(xiàn)在我們再來看梯度下降的式子，如果寫成矩陣計(jì)算的形式(使用隱式循環(huán)來實(shí)現(xiàn))，那么就有：
這邊會有點(diǎn)棘手，因?yàn)閖確定時(shí)，xij為一個(gè)數(shù)值(即，樣本的第j個(gè)分量)，Xθ-Y為一個(gè)m*1維的列向量(暫時(shí)稱作“誤差向量”)。
括號里面的部分就相當(dāng)于：
第1個(gè)樣本第j個(gè)分量*誤差向量 + 第2個(gè)樣本第j個(gè)分量*誤差向量 + ... + 第m個(gè)樣本第j個(gè)分量*誤差向量
我們來考察一下式子中各個(gè)部分的矩陣形式。
當(dāng)j固定時(shí)，相當(dāng)于對樣本空間做了一個(gè)縱向切片，即：
那么此時(shí)的xij就是m*1向量，所以為了得到1*1的形式，我們需要拼湊 (1*m)*(m*1)的矩陣運(yùn)算，因此有：
如果把θ向量的每個(gè)分量統(tǒng)一考慮，則有：
關(guān)于θ向量的不斷更新的終止條件，一般以誤差范圍(如95%)或者迭代次數(shù)(如5000次)進(jìn)行設(shè)定。
梯度下降的有點(diǎn)是：
不像矩陣解法那么需要空間(因?yàn)榫仃嚱夥ㄐ枰缶仃嚨哪?
缺點(diǎn)是：如果遇上非凸函數(shù)，可能會陷入局部最優(yōu)解中。對于這種情況，可以嘗試幾次隨機(jī)的初始θ，看最后convergence時(shí)，得到的向量是否是相似的。
(3)下圖給出了線性、二次和七次擬合的效果圖。請說明進(jìn)行數(shù)據(jù)擬合時(shí)，需要考慮哪些問題。在本例中，你選擇哪種擬合函數(shù)。(8分)
因?yàn)槭窃诰W(wǎng)上找的題目，沒有看到圖片是長什么樣。大致可能有如下幾種情況。
如果是如上三幅圖的話，當(dāng)然是選擇中間的模型。
欠擬合的發(fā)生一般是因?yàn)榧僭O(shè)的模型過于簡單。而過擬合的原因則是模型過于復(fù)雜且訓(xùn)練數(shù)據(jù)量太少。
對于欠擬合，可以增加模型的復(fù)雜性，例如引入更多的特征向量，或者高次方模型。
對于過擬合，可以增加訓(xùn)練的數(shù)據(jù)，又或者增加一個(gè)L2 penalty，用以約束變量的系數(shù)以實(shí)現(xiàn)降低模型復(fù)雜度的目的。
L2 penalty就是：
(注意不要把常數(shù)項(xiàng)系數(shù)也包括進(jìn)來，這里假設(shè)常數(shù)項(xiàng)是θ0)
另外常見的penalty還有L1型的：
(L1型的主要是做稀疏化，即sparsity)
兩者為什么會有這樣作用上的區(qū)別可以找一下【統(tǒng)計(jì)之都】上的相關(guān)文章看一下。我也還沒弄懂底層的原因是什么。
(4)給出實(shí)驗(yàn)方案(8分)
【百度校園招聘數(shù)據(jù)挖掘工程師面試題】相關(guān)文章：
百度校園招聘筆試題09-26
數(shù)據(jù)挖掘論文07-16
數(shù)據(jù)挖掘論文07-15
數(shù)據(jù)挖掘論文(精品)07-29
百度php面試題目09-25
數(shù)據(jù)挖掘論文常用15篇07-29