本来有点犹豫要发在这个版面还是发在[数科]面经版，但是考虑到投的这个职位严格意义上叫做software engineer, machine learning而且Quora也有单独的DS，就发到了这个版面。面之前也搜索了一下发现这个职位目前地里只有两篇面经，尽量回忆一下，算是回馈地里为后来人提供一些参考。
这个职位面试的流程大概是两个电面，一个不写CODE主要问machine learning的设计和知识点，另外一个是纯code，如果都过了的话会安排onsite，貌似也是一样一个加一轮behave。今天我刚刚面过的是第一个电面关于machine learning的。
面试官，流程等各方面感觉非常好，面试官一开城一口纯种的中文称呼我的中文名，感觉真的非常亲切。开场白没什么过多的胡扯，简单明了介绍了一下自己是Tom和team的基本情况。然后聊了一下我的背景就，直接开始题目，题目非常开放，基本上就是问我怎么设计一个给User推荐Question的系统。我个人感觉不像是问答，更像是discussion。基本上是我drive整个对话的topic，然后在某个具体的地方他来提问一些感兴趣的话题。我把大概的过程记录如下：
Part 1
Tom:请设计一个给user推荐问题的ML 系统
我:在high level有若干approach，1）基于已知question内容，推荐和用户兴趣相关 2）不关心内容，历史点击数据，用每个问题被点击的用户来做collaborative filter 3）一些Topic model的方法，按照topic tag分类
Tom：先从简单的开始，假设所有用户看到的都是同样的推荐问题
我：那么此时选用第一种approach，需要3个部分1）某一种embedding method去吧每个问题从document变成vector，典型的方法有bow 2）选择某种metrc 去计算特定个vector之间的距离，典型的有euclidean dist， cosine similarity 3）选择某种方法筛选出最相近的K个问题推荐给用户，最简单的是挨个计算distance，然后排序返还最相近的k个
Tom：你提到了两种不同的distance，那么你更prefer eucliden还是cosine similarity
我：（此时有点被问住，还是比较水没反应过来，所以生想了一个解释）prefer cosin similarity，因为两者如果使用过同样的词，similarity相近比较make sense，因为是bow embedding 高维空间上小的Euclidean dist并不意味这意思相近
Tom：这个算法complexity如何
我：假设已经有了embedding，每个similarity计算是点乘所以很快，要对每个vector挨个计算此时为O（N），计算后要进行排序所以有平均NLOG(N)。（不知道对不对纯属胡诌，大神请指正）
Tom：这个complext会不会有什么问题
我：（强行往好了说）当然不是最好的，但是nlogN应该属于可以接受的（真不要脸）
Tom：能否进行一些优化
我：可以分布式计算，例如10台计算机，每个分别找出k个最相近的，然后master node使用min heap 分路归并可以快速从10*K个最小的结果中找出最小的k个（不知道是不是一个合理的答案）
Tom：（简要重复了我的之前所有回答，确保他没有错误理解我的答案）
Part 2
Tom：那么这是你说的最简单的方法，如果想要优化一下模型，你能怎么improve
我：使用某种embedding和similarity，然后排序k个最相近的这个approach比较直观，简单，逻辑上也合理。所以这个基本的method可以保留，我会选择想办法优化更好的embeding和metric
Tom：请给出具体的例子
我：用word2Vec embedding去生成词的vector，因为word2Vec可以把语义融入向量中，（similarity measure开了个脑洞，隐约记得以前看了篇paper），构建一个matrix m，m(i,j)代表第一个问题ith词转换到第二个问题jth词的cost，这个cost使用两个对应词word2vec的Euclidean distance代表，然后对这些所有的cost做加权平均。
Tom：（因为这部分我叙述的setting和方法有点乱，所以Tom反复确认，最后我们都相互confirm理解了对方的意思）
Tom：假设有了两个不同的model，怎样评价那个推荐的更好
我：（我好久没有系统复习[Data Science]，时候觉得可能需要答一些A/B testing， ROC什么的）可以用用户点击推荐内容的比例来比较，更细致一点的办法是统计用户在每个问题上花费的时间，然后根据问题答案的长度normalize，把这个时间作为score
Part 3
Tom：在最初提到了除了基于context还有别的approach，能否简单说一些如果不基于内容，你打算怎么做
我：构建一个行代表user，列代表question的矩阵，R（i，j）代表用户I对问题J的打分，这个打分可以是0，1代表有没有浏览，可以是花费的时间，也可以是星级称赞。然后用此matrix里的每一行作为对应问题的向量表示，带入上面类似的模型，计算dist，排序
Tom：确认了一下模型问，下一步怎么improve
我：（继续开始开脑洞。。。）想办法把content和collaborative filter结合起来，用一个stack denoise autoencode 去learn 问题的encoding，代表内容的信息，同时随机生成一个trainable的userembedding，把两个向量点乘和对应的rating做RMSE代表collaborative filtering的loss，同时把autoencode的loss 加在一起形成total loss，用SGD同时优化两个图模型
Tom：（可能我表述的不太清楚，这一部分花费了挺长时间反复确认相互理解对方的意思）
Part4：
Tom：多次提到了word2Vec模型，能不简要介绍这个model怎么运行的
我：（这个确实准备的时候没有复习到，完全凭借对NLP课上作业的记忆，基本上应该算大上来了）用一个词的one-hot encoding作为input，全连接到一个linear的hidden layer，然后直接输入去预测前后几个词的one-hot最后优化cross-entropy loss。训练完成后hidden layer的matrix就是结果，每一行对应了一个词的encoding。（应该大体没错，要是这个没对的话，感觉自己像个SB一样）
Tom：还有5分钟时间，有什么问题吗
我：BLABLABLA
TOM:BLABLABLA
…
结束，最后还忘记问email发thank you letter，感觉好久没面试这点礼节都miss了非常不好意思。本人毕业以后一直是码农，ML的很多知识确实还给老师了，基础很不扎实，才疏学浅，这篇记录中有不对或者不好的地方，烦请各路大神指正，欢迎讨论。希望这篇流水账能给面ML Engineer的同学一点点帮助。就我自己现在的水平来说，感觉发挥的还可以，不知道能不能达到quora的bar。如果过了的话下一步应该是coding 的电面，祝自己好运吧。手工码字不易，在此向各位兄弟姐妹求[]么么哒。
补充内容 (2018-11-17 12:33):
更新一下，Quora效率蜜汁高效，隔了一天第二天通知跪了