如何問出一個應聘者是否真的做過推薦系統？

01-27

自我介紹：帝都互聯網小公司數據挖掘工一名，兩年工作經驗，水平最多中等。公司最近準備做推薦系統，讓我負責面試招聘，要求進來就能直接幹活的。可是我對推薦系統只是了解。面試了幾個人，說自己做過推薦系統，在網上找了一些問題問他們，回答的也頭頭是道，可是連續幾個人，回答竟然十分相似，不由懷疑是培訓班出來的，不敢招。請問有什麼辦法能夠很快看出一個人是否真的做過推薦系統呢？常規的問題網上太多了，感覺已經沒有區分度了。希望各路大神支支招！

理論的東西不管問多少，都是紙上談兵。

2000年時候，Linus Torvalds提出了一個方法，我深以為然，一直用來面試程序員：

Talk is cheap. Show me the code.

thread creation is about a thousand times faster than onnative

畫構架圖

沒做過的人畫出來是(a)這樣的。做過的人畫出來是(b)這樣的 (按情況會有修改)

細細的扣一下每個部分幹嘛，計算集群這個部分什麼內容，為什麼要這麼弄，自然就看出來了

當然，有些大公司比較細分的業務組，比如微軟等，在演算法方面做的比較深，可能做很多年都不會碰到構架，所以可能會誤傷，可以酌情調整標準

1. 演算法細節還是要問的

2. 效果評價

3. 如何克服「哈利波特」現象

4. 推薦結果的排序如何優化

5. 演算法優化，一般好的推薦系統，是要綜合運用多種手段才能達到好的推薦效果，很難一蹴而就，很難一個演算法搞定。我曾經做過一個推薦系統，剛開始就遇到歧異詞問題；後來又遇到排序問題

本人在大型互聯網中從事推薦系統開發將近三年工作經驗。不知道樓主招的是演算法崗還是工程崗。一般大型互聯網公司整個推薦系統需要兩種技術人員，一類是演算法工程師，一類是系統工程師。由於我是系統工程師，所以只能回答樓主關於工程的一些問題。

一般的推薦系統可以分為三部分，線上部分、線下部分以及近實時部分，當然還有其他支撐系統方面，包括：效果跟蹤、效果監控，實驗對比等

一：線下部分

線下部分主要的工作內容是：

由於演算法工程師需要挖取大量的關於用戶以及其他方面的特徵(幾百維數據)，因此主要包括以下幾個問題

如何存儲這些數據，存儲介質是什麼？如何做緩存？
如何保證線上快速的取數據？
如何對這些數據進行監控，保證在出現問題的時候(寫入失敗)能夠及時報警？

二：近實時部分

近實時部分主要是如果一個用戶實時產生了一些行為，如何將這個行為很快的體現在推薦結果中？以及如何能夠將實時行為反應到模型上？如何反映到模型上目前很多有能力的公司正在嘗試實驗，通過這些可以反映應聘者是否真的關心業界動態。

三：線上部分

線上部分考察的很多。如果是系統工程師可以考察的方面包括

系統運維情況。包括整個系統的QPS，平均耗時，吞吐量等
系統的整個架構。一般推薦系統包括召回和排序。其中很重要一個考察點是如何解決系統I/O型任務之間的並發。
系統的緩存以及性能優化
jvm調優等
如何進行線上a/btest 實驗的

推薦系統是一個不斷優化的工程，所有複雜的性能優的系統不是一蹴而就的，是在平時不斷的解決演算法人員的痛點，提高工程師開發效率中不斷完善的。

推薦系統還是比較複雜的，包括了數據，架構和演算法知識。大公司一般會把人才分得很細，包括演算法崗，負責推薦演算法策略；工程崗，負責推薦系統後台服務的開發迭代；數據崗，各種日誌數據的計算處理，如清洗、統計分析等，有時這部分工作也交有演算法崗人員完成。

推薦系統可以簡單做，也可以深入做。

可以從以下幾個方面去判斷他是否真的做過推薦系統：

（1）數據。一是埋點數據，如和設計曝光埋點、點擊埋點等，最終的效果評價和模型訓練都依賴於埋點。二是效果數據，推薦系統效果如何評估，有哪些指標，候選人曾設計的推薦系統效果數據如何。當然了，一個簡單的推薦系統可能壓根就沒有埋點，最終也無法評價推薦系統的效果。數據是推薦系統之根本，如果不關心數據的人，還是不要了吧。

（2）系統。簡單的推薦系統是離線計算一堆結果，例如由演算法人員計算出的協同過濾結果、用戶tag、熱門數據、關聯規則等（這些其實只能算召回），然後導入到kv系統如redis中，線上服務去讀取結果數據，最後基於一些規則返回給客戶端。複雜一點的推薦系統包含召回和排序兩個階段，排序指對召回的結果，做機器學習排序，目標是優化最終的轉化率。最重要的一點，系統需支持abtest，每次策略的迭代都是拿數據好壞說話。圍繞這些功能模塊，如何把系統做得通用，擴展性好，又是一個話題了，這裡不做描述。

（3）演算法。推薦圍繞召回和排序有很多演算法，這塊的資料很多，樓主做數據挖掘，這方面應該算比較明了了。重要是其實踐的演算法的效果如何，不同場景的差別，候選者需要明了。

總之，推薦系統是一個複雜的工程，圍繞這幾方面可以做各種細緻的考察。

http://chinese.joelonsoftware.com/Articles/TheJoelTest.html

都達到了是cmm3的級別國內算一流了

你沒做過，不可能面的出來的。

自己多做做，把自己遇到的問題總結了去問不就是了。面試哪有golden feature。

進來馬上就能幹活的人三句話就能聽出來你不懂，你給offer也不會來的。幹活最煩的就是外行領導內行。

真正的面試永遠不是問答，而是根據一個問題聊天式的展開，互相聊踩過的坑。面試不是單方面的，而是雙向選擇。

20170514

卧槽，今天從某知乎大V里看到個X智社區，裡面有個《AI實戰訓練營-周末精品班》，居然真的有推薦系統培訓班！

我錯了...

==================================

頭一回聽說有培訓班培訓這個...

就問踩過啥坑，沒有一把鼻涕一把淚地跟你說心酸往事的，就多半是沒有實戰經驗的了。

這樣問他：

樣本數據怎麼採集的？

做訓練的數據量有多大？

一次訓練需要多長時間？集群配置如何？

模型離線評測指標有什麼，效果如何？

自己都沒做過，去面別人？建議負責任地推掉這倒霉差事。

google 有個 cross sale的演算法系統，是不是有可能直接用API調用他的結果應用在網站上？