脸书面经+时间线

时间线：

您好！
本帖隐藏的内容需要积分高于 110 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 110 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式
Unlock interview details and practice with AI
Curated Interview Questions from Top Companies

面经：

您好！
本帖隐藏的内容需要积分高于 150 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 150 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式
Unlock interview details and practice with AI
Curated Interview Questions from Top Companies

面试比较顺利，offer也非常有诚意。祝大家新年快乐，找工作顺利。




补充内容 (2019-1-2 07:51):
Package信息: https://www.1point3acres.com/bbs ... read&tid=468257

say543 发表于 2019-1-2 15:57
> Design video recommendation system.   Follow-up: How to maximize the video watching duration.

嗯，Collaborative Filtering（CF）可以做。但是CF不太容易使用用户及video的特征。此外还要考虑scalability 的问题。可以参考[1], [2].

关于video duration的问题，可以定义一个新的loss function，比如累加用户$u_j$ 观看的video $x_i$概率与video长度$length(x_i)$的乘积等.
$\sum_i_{length(x_i) * P(x_i|u_j, ...)}$  

[1] Paul Covington et al., Deep Neural Networks for YouTube Recommendations, RecSys 2016.
[2] Xinran He, Practical lessons from predicting clicks on ads at facebook, PAKDD  2014.

signalwolf 发表于 2019-1-2 12:40
求问 O(1) space 怎么做啊？没有想出解决方案啊

# Coding Interview II:

最后没有要求些这个follow-up的代码，只是说了一下思路。
之前少说一个条件，即“这个2D matrix中的数字是各不相同的”，这样我们只需按照升序遍历，然后保存当前最大值即可判断一个原始是否被访问过。

kakar0t 发表于 2019-1-3 12:45
嗯，Collaborative Filtering（CF）可以做。但是CF不太容易使用用户及video的特征。此外还要考虑scalabil ...

请问这道题是问serving的时候选哪个video expected watch time最长吗？感觉这样的话argmax(i)(p_watch[i] * video_length[i]) 就可以？  

恭喜恭喜！沾沾新年喜气！

恭喜恭喜。。

恭喜lz，能讲讲那两个ml design 吗？
多谢！

恭喜楼主啊！相当不错的package

求问 O(1) space 怎么做啊？没有想出解决方案啊

# Coding Interview II:
> Longest Consecutive Sequence in 2D Matrix
  有些类似 [LC329]
  Follow-up: Achieve O(1) extra space, and O(N^2) time, N is the number of row/column.

> Design video recommendation system.   Follow-up: How to maximize the video watching duration. <= 基本的 我因该就会用CF 来做 不知道考察主要是是什么? 这个follow up lz 是怎做的呢?

恭喜恭喜啊

say543 发表于 2019/01/02 15:57:19
> Design video recommendation system.   Follow-up: How to maximize the video watching duration. <= 基...

推荐看youtube的那篇dnn论文 不过业界用京东的那篇更多 基本思路就是用一个巨大的softmax来取代cf

还有个问题 如果是到youtube这个量级 矩阵的规模都在亿乘以亿水平 那么像spark这种mr也没法完成分解 可能要使用到parameter server. 目前的推荐系统都是召回加精排 召回多用cf 而非youtube的dnn 当然阿里的可能更复杂如din这些 cf可以看spark mahout这些 精排就各显神通了 但是复杂模型的线上推理也是个大难题 用lgb xgboost做embedding 后接lr是主流做法 还有就是谷歌的wide and deep