第一个版块
一：推荐系统的相关知识*重点内容*
一个推荐系统的整体框架：存储，推荐引擎，日志系统，UI，用户
一般是由几个算法混合而成，形成初始推荐结果，然后进行过滤，排名，给出推荐解释。
常见的推荐算法：
1. 协同过滤：基于物品&用户的推荐
用户—物品相似度矩阵，SVD分解，找出最相似的K个物品，根据目标用户对邻接物品评测来预测目标物品对物品的评价。
评价：新奇度，覆盖率，召回率。
2. LDA
主题生成模型： 
聚类
回归
- LSA
- 决策树
- DNN
- PCA
- EM期望最大化
二：机器学习相关知识：
（1）怎么判断噪声数据，偏离分布太远，如果是实验，可以利用数据可视化，人为的分辨一些。
（2）过拟合：在训练集上效果很好，但在测试集上效果比较差。
解决：减少参数，增加样本数量。
（3）算法：KNN，K-means，关联规则，朴素贝叶斯，逻辑回归，神经网络
k-means：随机选取K个质心，对于每个点，找到离它最近的质心，并分配到该簇中。重新计算质心（该簇的中心点），继续重复分配质心，直到没有质心的改变为止。
评估：计算SSE，即误差平方和。
关联规则：发现项之间的关系。
如果一个集合是不平凡的，那么他的超集也是不平凡的。
支持度：项集在整个数据库中出现的频率。
置信度：针对于规则。
逻辑回归：逻辑回归就是寻找非线性函数sigmoid的最佳拟合参数，求解过程可以用梯度上升（求最大值），或者梯度下降优化，随机梯度上升可以减少运算量，在新数据到来时就完成数据的更新，不需要读取整个数据集。
朴素贝叶斯：拼写检错，垃圾邮件分类
（4）最优化算法有哪些：
三：你在百度的项目介绍
灯塔项目：
在百度地图主要参加两个项目，一个叫“灯塔计划”，对地图上的poi点细粒度化处理，并进行rank的重新排序，去除地图上显示的冗余标注，提升用户定位和读图体验。
对外：poi点减少了50%，离线数据包减少了10%
对内：内容精简后，为各层的动态推荐和商业化推荐提供了充足的显示空间。
我主要负责的事一期的整个项目流程中的第三部rank（处理数据，分类标注pmmode，rank，道路打点，工艺）
灯塔二期：绿地水系面积优化。面标注的显示，对绿地&水系（主要指湖泊），进行优化，把相邻的水系和绿地合并到一个面积level上，根据PM的规则进行，层级的重排。我是通过KD—tree查找并建立相邻链表（首先在一个画一个查找范围区间，在对区间内的做相邻判断）。
由于之前有数据不完善的原因，以及真实数据的不规整性&特殊性，需要考虑的处理方式比较多。例如，有的面标注有相邻面的数据，有的没有，有的是挂接在同一个父面积上。
特殊处理：如北京的后海，虽然根据一般的显示策略，如景山公园，作为热门景点，显示等级被提升。
项目的问题：郊区过于稀疏，所以当时上线了全国top60的城市。
原因：就是使用规则进行分类，等级划分，规则中有的事根据热度，访问量等。在中小城市，poi点的平均访问量较低，热度过少，所以显示的等级会降下去，导致显示稀疏。
动态底图推荐：
1：我的工作
对poi，tag的提取
实时时间序列分析：识别用户下一个行业的需求，重新分配推荐行业的比例，马尔科夫预测。
四：你的作用，优势，缺点，怎样还能干的更好
优势：比较细心，学习能力强
缺点：处理问题不果断，做决策时，会考虑的比较多，这会丧失一些机遇。反应的问题：经验不够充足，有时缺乏一点自信。
改善：多家学习，充足自己。我想当自己有足够的知识和经验，能站在不一样的视角看问题，有助于做出更好的决策。
四：你的发展计划
刚开始3年，主要是学习和积累，熟悉所在部门的业务，积累一定的知识体系后，希望能得到晋升的机会，和小伙伴们一起为部门找到新的发展机遇，能为部门带来更大的利益，有所作为。但是35岁后，可能想自己创业，开瑜伽馆。目前的想法，但是随着成长，以及认知的提升，还会更加完善自己的规划。
第二板块
一：经典编程题
1，求公共最长子串
建立矩阵，对应元素相等则为1，不相等则为0。转换为求最长的公共对角线元素。
ics（i，j）=ics（i-1,j-1）+1 否则ics（i，j）=0
2，最长上升子序列长度
MaxLen (1) = 1
MaxLen (k) = Max { MaxLen (i)：1