2013百度校園招聘資料挖掘工程師
一、簡答題(30分)
1、簡述資料庫操作的步驟(10分)
步驟:建立資料庫連接配接、打開資料庫連接配接、建立資料庫指令、運作資料庫指令、儲存資料庫指令、關閉資料庫連接配接。
經萍萍提醒,了解到應該把preparedstatement預處理也考慮在資料庫的操作步驟中。此外,對實時性要求不強時,可以使用資料庫緩存。
2、tcp/ip的四層結構(10分)
3、什麼是mvc結構,簡要介紹各層結構的作用(10分)
model、view、control。
二、算法與程式設計(45分)
1、由a-z、0-9組成3位的字元密碼,設計一個算法,列出并列印所有可能的密碼組合(可用僞代碼、c、c++、java實作)(15分)
把a-z,0-9共(26+10)個字元做成一個數組,然後用三個for循環周遊即可。每一層的周遊都是從數組的第0位開始。
2、實作字元串反轉函數(15分)
3、百度鳳巢系統,廣告客戶購買一系列關鍵詞,資料結構如下:(15分)
user1 手機 智能手機 iphone 桌上型電腦 …
user2 手機 iphone 筆記本電腦 三星手機 …
user3 htc 平闆電腦 手機 …
(1)根據以上資料結構對關鍵詞進行kmeans聚類,請列出關鍵詞的向量表示、距離公式和kmeans算法的整體步驟
kmeans方法一個很重要的部分就是如何定義距離,而距離又牽扯到特征向量的定義,畢竟距離是對兩個特征向量進行衡量。
本題中,我們建立一個table。
隻要兩個關鍵詞在同一個user的描述中出現,我們就将它在相應的表格的位置加1.
這樣我們就有了每個關鍵詞的特征向量。
例如:
<手機>=(1,1,2,1,1,1,0,0)
<智能手機> = (1,1,1,1,0,0,0,0)
我們使用夾角餘弦公式來計算這兩個向量的距離。
夾角餘弦公式:
設有兩個向量a和b,
,
是以,cos<手機,智能機>=(1+1+2+1)/(sqrt(7+2^2)*sqrt(4))=0.75
cos<手機,iphone>=(2+1+2+1+1+1)/(sqrt(7+2^2)*sqrt(2^2+5))=0.80
夾角餘弦值越大說明兩者之間的夾角越小,夾角越小說明相關度越高。
通過夾角餘弦值我們可以計算出每兩個關鍵詞之間的距離。
kmeans算法有兩個主要步驟:1、确定k個中心點;2、計算各個點與中心點的距離,然後貼上類标,然後針對各個類,重新計算其中心點的位置。
初始化時,可以設定k個中心點的位置為随機值,也可以全指派為0。
kmeans的實作代碼有很多,這裡就不寫了。
不過值得一提的是mapreduce模型并不适合計算kmeans這類遞歸型的算法,mr最拿手的還是流水型的算法。kmeans可以使用mpi模型很友善的計算(慶幸的是yarn中似乎開始支援mpi模型了),是以hadoop上現在也可以友善的寫高效算法了(但是要是mrv2哦)。
(2)計算給定關鍵詞與客戶關鍵詞的文字相關性,請列出關鍵詞與客戶的表達符号和計算公式
如果是指詞頻統計的話,個人認為可以使用jaccard系數來計算。
通過第一問中的表格,我們可以知道某個關鍵詞的向量,現在将這個向量做一個簡單的變化:如果某個分量不為0則記為1,表示包含這個分量元素,這樣某個關鍵詞就可以變成一些詞語的集合,記為a。
客戶輸入的關鍵詞清單也可以表示為一個集合,記為b
jaccard系數的計算方法是:
是以,假設某個使用者userx的關鍵詞表達為:{三星手機,手機,平闆電腦}
那麼,關鍵詞“手機”與userx的關鍵詞之間的相關性為:
j("手機",“userx關鍵詞”)=|{三星手機,手機,平闆電腦}|/|{手機,智能手機,iphone,桌上型電腦,筆記本電腦,三星手機,htc,平闆電腦}| = 3/8
關鍵詞“三星手機”與使用者userx的關鍵詞之間的相關性為:
j("三星手機",“userx關鍵詞”)=|{手機,三星手機}|/|{手機,三星手機,iphone,筆記本電腦,平闆電腦}| = 2/5
三、系統設計題(25分)
一維資料的拟合,給定資料集{xi,yi}(i=1,…,n),xi是訓練資料,yi是對應的預期值。拟使用線性、二次、高次等函數進行拟合
線性:f(x)=ax+b
二次:f(x)=ax^2+bx+c
三次:f(x)=ax^3+bx^2+cx+d
(1)請依次列出線性、二次、三次拟合的誤差函數表達式(2分)
誤差函數的計算公式為:
系數1/2隻是為了之後求導的時候友善約掉而已。
那分别将線性、二次、三次函數帶入至公式中f(xi)的位置,就可以得到它們的誤差函數表達式了。
(2)按照梯度下降法進行拟合,請給出具體的推導過程。(7分)
假設我們樣本集的大小為m,每個樣本的特征向量為x1=(x11,x12,
..., x1n)。
那麼整個樣本集可以表示為一個矩陣:
其中每一行為一個樣本向量。
我們假設系數為θ,則有系數向量:
對于第 i 個樣本,我們定義誤差變量為
我們可以計算cost function:
由于θ是一個n維向量,是以對每一個分量求偏導:
梯度下降的精華就在于下面這個式子:
這個式子是什麼意思呢?是将系數減去導數(導數前的系數先暫時不用理會),為什麼是減去導數?我們看一個二維的例子。
假設有一個曲線如圖所示:
假設我們處在紅色的點上,那麼得到的導數是個負值。此時,我在目前位置(x軸)的基礎上減去一個負值,就相當于加上了一個正值,那麼就朝導數為0的位置移動了一些。
如果目前所處的位置是在最低點的右邊,那麼就是減去一個正值(導數為正),相當于往左移動了一些距離,也是朝着導數為0的位置移動了一些。
這就是梯度下降最本質的思想。
那麼到底一次該移動多少呢?就是又導數前面的系數α來決定的。
現在我們再來看梯度下降的式子,如果寫成矩陣計算的形式(使用隐式循環來實作),那麼就有:
這邊會有點棘手,因為j确定時,xij為一個數值(即,樣本的第j個分量),xθ-y為一個m*1維的列向量(暫時稱作“誤差向量”)。
括号裡面的部分就相當于:
第1個樣本第j個分量*誤差向量 + 第2個樣本第j個分量*誤差向量 + ... + 第m個樣本第j個分量*誤差向量
我們來考察一下式子中各個部分的矩陣形式。
當j固定時,相當于對樣本空間做了一個縱向切片,即:
那麼此時的xij就是m*1向量,是以為了得到1*1的形式,我們需要拼湊 (1*m)*(m*1)的矩陣運算,是以有:
如果把θ向量的每個分量統一考慮,則有:
關于θ向量的不斷更新的終止條件,一般以誤差範圍(如95%)或者疊代次數(如5000次)進行設定。
梯度下降的有點是:
不像矩陣解法那麼需要空間(因為矩陣解法需要求矩陣的逆)
缺點是:如果遇上非凸函數,可能會陷入局部最優解中。對于這種情況,可以嘗試幾次随機的初始θ,看最後convergence時,得到的向量是否是相似的。
(3)下圖給出了線性、二次和七次拟合的效果圖。請說明進行資料拟合時,需要考慮哪些問題。在本例中,你選擇哪種拟合函數。(8分)
因為是在網上找的題目,沒有看到圖檔是長什麼樣。大緻可能有如下幾種情況。
如果是如上三幅圖的話,當然是選擇中間的模型。
欠拟合的發生一般是因為假設的模型過于簡單。而過拟合的原因則是模型過于複雜且訓練資料量太少。
對于欠拟合,可以增加模型的複雜性,例如引入更多的特征向量,或者高次方模型。
對于過拟合,可以增加訓練的資料,又或者增加一個l2 penalty,用以限制變量的系數以實作降低模型複雜度的目的。
l2 penalty就是:
(注意不要把常數項系數也包括進來,這裡假設常數項是θ0)
另外常見的penalty還有l1型的:
(l1型的主要是做稀疏化,即sparsity)
兩者為什麼會有這樣作用上的差別可以找一下【統計之都】上的相關文章看一下。我也還沒弄懂底層的原因是什麼。
(4)給出實驗方案(8分)
2013網易實習生招聘 崗位:資料挖掘工程師
一、問答題
a) 欠拟合和過拟合的原因分别有哪些?如何避免?
欠拟合:模型過于簡單;過拟合:模型過于複雜,且訓練資料太少。
b) 決策樹的父節點和子節點的熵的大小?請解釋原因。
父節點的熵>子節點的熵
c) 衡量分類算法的準确率,召回率,f1值。
d) 舉例序列模式挖掘算法有哪些?以及他們的應用場景。
apriori
generalized sequential pattern(廣義序貫模式)
prefixspan
二、計算題
1) 給你一組向量a,b
a) 計算二者歐氏距離
(a-b)(a-b)t
即:
b) 計算二者曼哈頓距離
2) 給你一組向量a,b,c,d
a) 計算a,b的jaccard相似系數
b) 計算c,d的向量空間餘弦相似度
c) 計算c、d的皮爾森相關系數
即線性相關系數。
或者
三、(題目記得不是很清楚)
一個文檔-詞矩陣,給你一個變換公式tfij’=tfij*log(m/dfi);其中tfij代表單詞i在文檔f中的頻率,m代表文檔數,dfi含有單詞i的文檔頻率。
1) 隻有一個單詞隻存在文檔中,轉換的結果?(具體問題忘記)
2) 有多個單詞存在在多個文檔中,轉換的結果?(具體問題忘記)
3) 公式變換的目的?
四、推導樸素貝葉斯分類p(c|d),文檔d(由若幹word組成),求該文檔屬于類别c的機率,
并說明公式中哪些機率可以利用訓練集計算得到。
五、給你五張人臉圖檔。
可以抽取哪些特征?按照列出的特征,寫出第一個和最後一個使用者的特征向量。
六、考查id3算法,根據天氣分類outlook/temperature/humidity/windy。(給你一張離散型
的圖表資料,一般學過id3的應該都知道)
a) 哪一個屬性作為第一個分類屬性?
b) 畫出二層決策樹。
七、購物籃事物(關聯規則)
一個表格:事物id/購買項。
1) 提取出關聯規則的最大數量是多少?(包括0支援度的規則)
2) 提取的頻繁項集的最大長度(最小支援>0)
3) 找出能提取出4-項集的最大數量表達式
4) 找出一個具有最大支援度的項集(長度為2或更大)
5) 找出一對項a,b,使得{a}->{b}和{b}->{a}有相同置信度。
八、一個釋出優惠劵的網站,如何給使用者做出合适的推薦?有哪些方法?設計一個合适的系
統(線下資料處理,存放,線上如何查詢?)