Team: E-commerce
Position: Machine Learning Engineer – E-commerce
Years: N/A
Interviewee: New Grad
Round: One
Interviewer: Recruiter
Questions: 没有任何 technical questions。主要介绍组内情况，和了解我对薪资的期待值。
Round: Two
Interviewer: Tech Lead (北美 Tiktok 面试官)
Questions:
(1) 自我介绍
(2) 描述你对 collaborative filtering 的理解，和什么场景下用到。
(3) 解释 user-based or item-based 是如何算 similarity。你如何考虑 rating?
(4) 描述 two-phase recommendation system
(5) Candidate generator 用的是什么模型?解释模型，模型时间复杂度。
(6) Ranker 使用什么模型，解释模型和模型复杂度
(7) 为什么使用多个 generators
(8) 如果我们最后推荐给用户 5 个产品。为什么是这 5 个?使用 two-phase recommendation system 如何得到这五个?如果你使用不同 labels，解释每一个 label 的 loss functions 怎么算。
(9) 场景设置:如果我们现在有新用户 or 新产品来，你如何能帮助他们在系统里快速 运转起来。
(10) 如果我们现在有 item-embedding 和 user-embedding，你怎么定义它们?可以怎么计算?用什么模型?面试官首先喊我我解释 matrix factorization + loss func + 如何 optimization;其次喊我解释什么是 two-tower neural network
(11) 最后给了我一道 med coding 题
Result: Passed
Round: Three
Interviewer: Tech lead (中国Tiktok面试官)
Questions：
(1) 自我介绍
(2) 解释在chatbot项目中使用过的所有模型。
(3) 解释为什么使用LSTM，LSTM的框架，并解释每一个Gate里的数学模型。
(4) 解释neural network里activation funcs： sigmoid，Than，Relu和LeakyRelu。写出它们的functions并描述优缺点。
(5) 如何解决Dying relu问题，为什么会出现。Gradient vanishing/exploding解决方法。
(6) 写出back propagation数学解析公式
(7) 写出sigmoid function的loss func，用公式的形式写出如何优化求出最优parameters。要求maximum likelihood 和 entropy两种方法都要解释和写出公式。
(8) 完整描述一个推荐系统系统设计（中间重点询问了feature部分如何获取和设计）
(9) 一道med code。