一面，1.5小时
7月中旬找了蚂蚁金服的师兄内推。之后大概10天后收到蚂蚁金服面试电话，面试官刚开始是用钉钉打过来的，没接到，之后再给他回电话也没人接，没想到面试官在下班路上给我来的电话，可以说很敬业了。
面试官先给我说明一下他所在的部门是支付宝的安全部，然后让我介绍一下自己
我简单说了一下自己现在所在学校，还有自己本科的两个项目，一个是获得全国大学生信息安全竞赛的项目–app（因为是安全部门，所以这个我提了），第二个是本科老师创业的项目–web，然后说明我研究生阶段的研究方向是机器学习，项目还有我在滴滴公司实习的情况。
说一下你具体做的一个项目
这里我就讲自己做的kaggle上的一个竞赛了，关于广告欺诈的，讲了自己的数据处理，特征工程，还有主要用xgboost模型，之后用AUC值评估
说一下你处理数据的过程
这里讲了一下对数据缺失值，异常值的常见处理方式，以及对数据做离散化的操作，以及数据不平衡的处理
为什么对数据做离散化
回答的时候差不多按照这些方向回答的：
0. 离散特征的增加和减少都很容易，易于模型的快速迭代；
1. 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；
2. 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；
3. 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合；
4. 离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力；
5. 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；
6. 特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。
对数据不平衡你怎么处理的
对样本少的进行过采样，对样本多的进行下采样，或者相结合
为什么处理不平衡的数据，这样会有什么好处吗
因为我想先有lr模型拟合一下，但是lr模型对数据不平衡特别敏感，所以需要对数据进行采样，这是好处，但是数据采样之后会丢失一些特征，这个只是单纯的用lr看一下效果，大概的baseline
那能不能不处理
更换模型，比如我采用xgboost模型，或者nn模型就不用过多的处理不平衡的数据。
那你怎么做特征工程的
我说根据业务的需要，比如广告欺诈里，对于欺诈产生的场景，哪些特征是影响结果的，然后讲了讲我的一些特征，还有为什么选这个特征的原因。
那这些特征你怎么选择的
我用xgboost的特征重要性的函数来筛选，它会给出特征的评分。
xgboost怎么给出评分的，以及xgboost的原理你清楚吗
这个回答我基本是按照我的博客，手推记录——xgboost，评分就是根据节点分割的增益，原理就从目标函数讲起。然后从头到尾基本说了一遍。
我看你的简历，你们还用到了lgbm，lgbm的原理是什么，那这两个有什么区别
我说使用lgbm主要原因是因为lgbm处理大数据集速度更快，自己并不太清楚lgbm的原理，但是目标函数适合xgb一样的，只是分裂节点的方式不一样，xgboost采用的是level-wise的分裂策略，而lightGBM采用了leaf-wise的策略，区别是xgboost对每一层所有节点做无差别分裂，可能有些节点的增益非常小，对结果影响不大，但是xgboost也进行了分裂，带来了务必要的开销。 leaft-wise的做法是在当前所有叶子节点中选择分裂收益最大的节点进行分裂，如此递归进行，leaf-wise这种做法容易过拟合，因为容易陷入比较高的深度中，因此需要对最大深度做限制，从而避免过拟合。lightgbm使用了基于histogram的决策树算法，这一点不同与xgboost中的 exact 算法。然后有讲了一些其他的不同。
我看你现在还在滴滴实习，说一下你在滴滴的工作吧
然后讲了一下我在滴滴实习的一些工作，包括用到的模型，数据等等
最后
你有什么问题问我的吗
我跟面试官提了，为什么拿我的简历，因为他们是安全部门，而我不是做安全的，面试官解释说要AI的同学来搞安全了。很多场景需要用到；我又提了说没有安全基础是不是需要补充一下，有什么途径，之后面试官建议我去看看一些介绍安全的网站，了解一下就行。
二面，1.5小时
一面之后一周的时间，二面是一个比较偏向做安全的面试官，但是他说自己也搞机器学习
你本科的那个项目，就是拿一等奖的是什么样的，能介绍一下吗
我就介绍了一下这是一个手机丢失之后，能够远程防护手机，把文件进行取回销毁等等功能的一个产品。跟安全攻防没有什么关系。
我看你做的项目用auc值来评判模型的好坏，能解释一下auc吗
我说，auc值是roc曲线下的面积，用来评判模型结果结果的可信度，可以理解为，在样本里抽一个正样本和一个负样本，正样本的评分高于负样本的概率比较大。然后面试官说是不是可以理解成auc高的话精确率会高，然后这里我其实不太赞同，但是我当时又没想到怎么解释auc和精确率没有必然的联系，没解释好，我们两个讨论了好久，最好面试官说，很多人都解释不清楚。。。然后问我roc曲线怎么画出来。我说先把所有样本给出的评分从高到低排序，然后依次设定阈值，每一次都算出一个真阳率和假阳率，真阳率就是召回，正样本里有多少预测成正的，假阳率，就是负样本里面有多少被预测称正的。然后以真阳率为纵坐标，假阳率为横坐标，打点，连线。曲线就是roc曲线了。
你用的xgboost模型，能解释下gbdt，xgb，rf的区别吗
我先说rf和gbdt/xgb不一样，一个是bagging一个是boosting,rf是将样本抽样，特征抽样，然后训练很多个弱分类器，然后加权求和。gbdt和xgb都是加法模型，串行的，根据上一个弱分类器的结果训练下一个分类器，消除残差。
xgb是怎么消除残差的，目标函数什么
往残差的负梯度方向走，来消除残差。面试问什么是梯度。我说都是当你上山时，最陡峭的位置，就是梯度。面试还问了梯度下降，以及梯度下降的改进和梯度消失的概念。我就把梯低下降的优化算法，比如adam讲了一下。之后我解释了目标函数是损失函数加正则项，面试官接着问正则。我把xgb正则的定义说了一下，他说为什么要加正则，我说是防止过拟合，他说那为什么加了正则可以防止过拟合，我根据xgb的原理，讲了树在分裂时的表达式，分裂的增益需要减去一个r，这个就可以防止树疯长，防止过拟合，然后又讲了l1，l2一般化的是怎么防止过拟合的。
你打算怎么改进自己的项目
我说自己打算用nn模型，因为工业界已经开始往深度学习方向走了，然后面试问我深度学习了解的怎么样，我说知道一点卷积。面试官问，为什么深度学习会好一点，我说深度学习可以帮我提取特征。
那你能解释一下卷积网络吗？
我从卷积，填充，滑步，池化讲了一遍。面试官说，那你觉得卷积有什么好的或者不足，我说卷积最大的好处是参数共享，可以减少求参。不足就是没办法识别大图。就是空间信息不能捕捉，卷积之后特征会丢失。
之后还问了一些和一面有点重复的问题。就不打出来了。
最后问我有什么问题，我就再聊了一下部门的工作内容就结束了。
三面，30分钟
二面之后，15天左右，三面应该是部门leader了，搞安全的，主要问我做的安全竞赛项目是什么，对linux系统是否熟悉，对文本数据分析怎么样，我介绍了一下安全竞赛的项目，然后说linux熟悉指令，内核不太熟悉。文本数据没搞过。然后他说如果我要能够检测异常的用户，用AI怎么实现。我就从数据，收益，模型讲了一下。然后他说异常的样本很少的，这种情况怎么处理，我就按数据不平衡的处理方式说了一下，然后建议做迁移学习。讲了一下想法。面试官又问，如果我想有一个模型来定义用户的正常行为呢，我说可以考虑成用户行为画像（胡扯的。。。。）自己说了一下理解。
之后让我提问题，我再聊了一下，就结束了
四面，30分钟
三面我以为要凉了，但是第3天hr就打来了电话，问了一下有没有别公司的offer，我说有美团，360，滴滴的。其实都是意向书，然后他说怎么选择offer呢，我说首选杭州，然后公司也是首选阿里，他说为什么是阿里。我说阿里牛逼。。。。
之后聊了一下，对金融未来风险的看法，我说安全第一，然后讲了一下理解。然后他再问了一些个人情况就结束。
结束之前说我有什么问他的，我让他介绍了一下蚂蚁金服晋升体系，还有培训体系，就没有了，之后hr让我月底等消息。
完。
