1 面试背景

面试公司：快手
面试岗位：推荐算法实习生【模型算法】
面试类型：技术二面
面试时间：2024-12-10 14:00~15:00
面试结果：待定

2 整体感受

第一眼感觉面试官 30~40 岁之间，之后没有让我自我介绍，直接让我找一个自己做的好的项目介绍。当时感觉面试官有点不一样，一般都先让自我介绍。

之后问了我几个问题，我都答上来了，然后就是手撕代码环节，也是很快就做出来了，最后面试官的意思基本就是通过了，问我什么时候能去之类的。总之，还是挺好的，找到了实习。

后来了解到面试官是那个组的 leader 😮。

3 提问的问题

面试官：新闻推荐比赛的数据集规模大概是多少？

数据集的话是一共有30万个用户，然后是20万个用户作为训练集，然后5万个用户作为公共的测试集，剩下的5万作为私有的测试集。然后新闻的话大概是60万个新闻。

面试官：你的方案有什么创新点？

首先我对传统的协同过滤进行了改进，传统的协同过滤只考虑两个物品，比如说同时被点击的次数，但是并没有考虑点击顺序和点击时间的权重。balabala……

面试官：除了做一些特征工程，模型结构上有啥变化吗？

balabala……

总之面试官问的问题我都答上来了，在此就不赘述了。

4 手撕代码

一共就一道题，考的是动态规划，力扣原题322. 零钱兑换。因为这题之前自己做过，所以看到题目就知道用动态规划做。但是具体的状态定义也忘记了，所以当时现想的。题目如下：

给你一个整数数组 coins ，表示不同面额的硬币；以及一个整数 amount ，表示总金额。

计算并返回可以凑成总金额所需的 最少的硬币个数 。如果没有任何一种硬币组合能组成总金额，返回 -1 。可以认为每种硬币的数量是无限的。

状态表示：$f[i]$ 表示凑成总金额为 $i$ 所需的最少硬币个数
状态计算：对于每个总金额 $i$ ，枚举每枚硬币 $coins[j]$ ，如果 $i \geq coins[j]$ ，则:

$$
f[i] = \min(f[i], f[i - coins[j]] + 1)

代码实现如下：

f = [inf] * (amount + 1)
coins.sort()
f[0] = 0

for i in range(amount + 1):
    for coin in coins:
        if coin > i: 
            break
        f[i] = min(f[i], f[i - coin] + 1)
        
if f[amount] == inf:
    print(-1)
else: 
    print(f[amount]