一面，1.5小時

7月中旬找了螞蟻金服的師兄內推。之後大概10天后收到螞蟻金服面試電話，面試官剛開始是用釘釘打過來的，沒接到，之後再給他回電話也沒人接，沒想到面試官在下班路上給我來的電話，可以說很敬業了。

面試官先給我說明一下他所在的部門是支付寶的安全部，然後讓我介紹一下自己

我簡單說了一下自己現在所在學校，還有自己本科的兩個專案，一個是獲得全國大學生資訊保安競賽的專案–app（因為是安全部門，所以這個我提了），第二個是本科老師創業的專案–web，然後說明我研究生階段的研究方向是機器學習，專案還有我在滴滴公司實習的情況。

說一下你具體做的一個專案

這裡我就講自己做的kaggle上的一個競賽了，關於廣告欺詐的，講了自己的資料處理，特徵工程，還有主要用xgboost模型，之後用AUC值評估

說一下你處理資料的過程

這裡講了一下對資料缺失值，異常值的常見處理方式，以及對資料做離散化的操作，以及資料不平衡的處理

為什麼對資料做離散化

回答的時候差不多按照這些方向回答的：
0. 離散特徵的增加和減少都很容易，易於模型的快速迭代；
1. 稀疏向量內積乘法運算速度快，計算結果方便儲存，容易擴充套件；
2. 離散化後的特徵對異常資料有很強的魯棒性：比如一個特徵是年齡>30是1，否則0。如果特徵沒有離散化，一個異常資料“年齡300歲”會給模型造成很大的干擾；
3. 邏輯迴歸屬於廣義線性模型，表達能力受限；單變數離散化為N個後，每個變數有單獨的權重，相當於為模型引入了非線性，能夠提升模型表達能力，加大擬合；
4. 離散化後可以進行特徵交叉，由M+N個變數變為M*N個變數，進一步引入非線性，提升表達能力；
5. 特徵離散化後，模型會更穩定，比如如果對使用者年齡離散化，20-30作為一個區間，不會因為一個使用者年齡長了一歲就變成一個完全不同的人。當然處於區間相鄰處的樣本會剛好相反，所以怎麼劃分區間是門學問；
6. 特徵離散化以後，起到了簡化了邏輯迴歸模型的作用，降低了模型過擬合的風險。

對資料不平衡你怎麼處理的

對樣本少的進行過取樣，對樣本多的進行下采樣，或者相結合

為什麼處理不平衡的資料，這樣會有什麼好處嗎

因為我想先有lr模型擬合一下，但是lr模型對資料不平衡特別敏感，所以需要對資料進行取樣，這是好處，但是資料取樣之後會丟失一些特徵，這個只是單純的用lr看一下效果，大概的baseline

那能不能不處理

更換模型，比如我採用xgboost模型，或者nn模型就不用過多的處理不平衡的資料。

那你怎麼做特徵工程的

我說根據業務的需要，比如廣告欺詐裡，對於欺詐產生的場景，哪些特徵是影響結果的，然後講了講我的一些特徵，還有為什麼選這個特徵的原因。

那這些特徵你怎麼選擇的
 

我用xgboost的特徵重要性的函式來篩選，它會給出特徵的評分。

xgboost怎麼給出評分的，以及xgboost的原理你清楚嗎

這個回答我基本是按照我的部落格，手推記錄——xgboost，評分就是根據節點分割的增益，原理就從目標函式講起。然後從頭到尾基本說了一遍。

我看你的簡歷，你們還用到了lgbm，lgbm的原理是什麼，那這兩個有什麼區別

我說使用lgbm主要原因是因為lgbm處理大資料集速度更快，自己並不太清楚lgbm的原理，但是目標函式適合xgb一樣的，只是分裂節點的方式不一樣，xgboost採用的是level-wise的分裂策略，而lightGBM採用了leaf-wise的策略，區別是xgboost對每一層所有節點做無差別分裂，可能有些節點的增益非常小，對結果影響不大，但是xgboost也進行了分裂，帶來了務必要的開銷。 leaft-wise的做法是在當前所有葉子節點中選擇分裂收益最大的節點進行分裂，如此遞迴進行，leaf-wise這種做法容易過擬合，因為容易陷入比較高的深度中，因此需要對最大深度做限制，從而避免過擬合。lightgbm使用了基於histogram的決策樹演算法，這一點不同與xgboost中的 exact 演算法。然後有講了一些其他的不同。

我看你現在還在滴滴實習，說一下你在滴滴的工作吧

然後講了一下我在滴滴實習的一些工作，包括用到的模型，資料等等

最後

你有什麼問題問我的嗎

我跟面試官提了，為什麼拿我的簡歷，因為他們是安全部門，而我不是做安全的，面試官解釋說要AI的同學來搞安全了。很多場景需要用到；我又提了說沒有安全基礎是不是需要補充一下，有什麼途徑，之後面試官建議我去看看一些介紹安全的網站，瞭解一下就行。

二面，1.5小時

一面之後一週的時間，二面是一個比較偏向做安全的面試官，但是他說自己也搞機器學習

你本科的那個專案，就是拿一等獎的是什麼樣的，能介紹一下嗎

我就介紹了一下這是一個手機丟失之後，能夠遠端防護手機，把檔案進行取回銷燬等等功能的一個產品。跟安全攻防沒有什麼關係。

我看你做的專案用auc值來評判模型的好壞，能解釋一下auc嗎

我說，auc值是roc曲線下的面積，用來評判模型結果結果的可信度，可以理解為，在樣本里抽一個正樣本和一個負樣本，正樣本的評分高於負樣本的概率比較大。然後面試官說是不是可以理解成auc高的話精確率會高，然後這裡我其實不太贊同，但是我當時又沒想到怎麼解釋auc和精確率沒有必然的聯絡，沒解釋好，我們兩個討論了好久，最好面試官說，很多人都解釋不清楚。。。然後問我roc曲線怎麼畫出來。我說先把所有樣本給出的評分從高到低排序，然後依次設定閾值，每一次都算出一個真陽率和假陽率，真陽率就是召回，正樣本里有多少預測成正的，假陽率，就是負樣本里面有多少被預測稱正的。然後以真陽率為縱座標，假陽率為橫座標，打點，連線。曲線就是roc曲線了。

你用的xgboost模型，能解釋下gbdt，xgb，rf的區別嗎

我先說rf和gbdt/xgb不一樣，一個是bagging一個是boosting,rf是將樣本抽樣，特徵抽樣，然後訓練很多個弱分類器，然後加權求和。gbdt和xgb都是加法模型，序列的，根據上一個弱分類器的結果訓練下一個分類器，消除殘差。

xgb是怎麼消除殘差的，目標函式什麼

往殘差的負梯度方向走，來消除殘差。面試問什麼是梯度。我說都是當你上山時，最陡峭的位置，就是梯度。面試還問了梯度下降，以及梯度下降的改進和梯度消失的概念。我就把梯低下降的優化演算法，比如adam講了一下。之後我解釋了目標函式是損失函式加正則項，面試官接著問正則。我把xgb正則的定義說了一下，他說為什麼要加正則，我說是防止過擬合，他說那為什麼加了正則可以防止過擬合，我根據xgb的原理，講了樹在分裂時的表示式，分裂的增益需要減去一個r，這個就可以防止樹瘋長，防止過擬合，然後又講了l1，l2一般化的是怎麼防止過擬合的。

你打算怎麼改進自己的專案

我說自己打算用nn模型，因為工業界已經開始往深度學習方向走了，然後面試問我深度學習瞭解的怎麼樣，我說知道一點卷積。面試官問，為什麼深度學習會好一點，我說深度學習可以幫我提取特徵。

那你能解釋一下卷積網路嗎？

我從卷積，填充，滑步，池化講了一遍。面試官說，那你覺得卷積有什麼好的或者不足，我說卷積最大的好處是引數共享，可以減少求參。不足就是沒辦法識別大圖。就是空間資訊不能捕捉，卷積之後特徵會丟失。

之後還問了一些和一面有點重複的問題。就不打出來了。
最後問我有什麼問題，我就再聊了一下部門的工作內容就結束了。

三面，30分鐘

二面之後，15天左右，三面應該是部門leader了，搞安全的，主要問我做的安全競賽專案是什麼，對linux系統是否熟悉，對文字資料分析怎麼樣，我介紹了一下安全競賽的專案，然後說linux熟悉指令，核心不太熟悉。文字資料沒搞過。然後他說如果我要能夠檢測異常的使用者，用AI怎麼實現。我就從資料，收益，模型講了一下。然後他說異常的樣本很少的，這種情況怎麼處理，我就按資料不平衡的處理方式說了一下，然後建議做遷移學習。講了一下想法。面試官又問，如果我想有一個模型來定義使用者的正常行為呢，我說可以考慮成使用者行為畫像（胡扯的。。。。）自己說了一下理解。
之後讓我提問題，我再聊了一下，就結束了

四面，30分鐘

三面我以為要涼了，但是第3天hr就打來了電話，問了一下有沒有別公司的offer，我說有美團，360，滴滴的。其實都是意向書，然後他說怎麼選擇offer呢，我說首選杭州，然後公司也是首選阿里，他說為什麼是阿里。我說阿里牛逼。。。。
之後聊了一下，對金融未來風險的看法，我說安全第一，然後講了一下理解。然後他再問了一些個人情況就結束。
結束之前說我有什麼問他的，我讓他介紹了一下螞蟻金服晉升體系，還有培訓體系，就沒有了，之後hr讓我月底等訊息。

完。