1、gbdt与xgb选择分裂点的时候使用的是什么？  gbdt MSE；xgb ？ 对应的一个公式

 

https://blog.csdn.net/zxf2ld/article/details/125645529

图方面：

  1. 同构，LPA、Louvain、PageRank
    1. Louvain，模块度最大化，https://zhuanlan.zhihu.com/p/556291759
    2. LPA https://blog.csdn.net/qq_34160248/article/details/126804687
      1. 核心是如何不漏过主要问题，而限缩计算；是节点建立；
      2. 假设为核心，比如使用粉丝关系去计算，本质上是认为黑产粉丝之间是互相关注的；
      3. 最后跑出来的团伙，其实就是团；
      4. 对于预制黑标签，扩散，其逻辑本质就是如果一个团伙关系紧密，团伙中有一部分黑的，则把整个团伙染色；
      5. 二部图LPA
  2. 关系构建，一般的设备关联、想通节点关联；弱关系，强关系；
    1. 行为也可以关联；比如，用户下单商家；可以有强弱计算方法
    2. 文本内容关联： 比如找商家店员身份，基于收货地址和商户名称
    3. 暗号；
  3. 密集子图：连通图，k-core, fraudar, biclique等
  4. SynchroTrap； 基于行为构建的同步行为用户组，本质就是行为相似度；基于时间的

2024.2.28

面试经典问题回答

你觉得你们业务当前遇到的困难时什么？

  1. 我个人是眼里容不下问题的，所以能解决的问题我全部都解决了；
  2. 我也肯定知道那些短期不可能解决好的问题，比如XX不太智能，XX效率还是比较低；比如验证效率比较低，应该更智能化。策略阈值需要人工设定，可以通过算法XX；
  3. 那具体真正的问题，还是风控的核心问题；风险预防与业务价值；
  4. 当然还有组织结构的问题，包括分工不合理等；这些不是我说了算，只能做到能做到的地方。

未来工作的诉求是什么？

  1. 对我来说诉求就是能让自己发挥价值的地方；毕竟这个行业干了这么多年，现在拥有的技能不想浪费掉；可能听起来有点虚。

 

 

 

Opay面试

  1. 训练集和验证集效果好，但是测试机效果不好；是什么问题？
    1. 特征存在偏移
      1. 测试集特征与训练集不一致；
        1. 对比特征分布是否一致； 如KL散度
    2. 样本选择出现偏差
      1. 验证集和测试集不符合独立同分布
  2. 深度学习哪些防止过拟合的方法？
    1. dropout
    2. 正则化w, l1,l2
    3. batchNormalize
    4. LayerNormalize
    5. 减少层数和个数，降低学习率
    6. early stopping
    7. 增加数据量： 数据增强，如图像旋转、裁剪等
  3. transformer简单介绍，self-attention除以 根号d 是什么作用？
    1. Q x K得出的是序列的不同位置间的相关性；
    2. softmax，数值过大过小，梯度都比较小；统一除以sqrt(d-k)常数，缩小量纲，可以加快训练速度；
  5. BN 有什么作用？
    1. 好处
      1. 更快的收敛
      2. 减轻对初始化参数的依赖
      3. 增加泛化能力，降低过拟合风险
    2. 缺点：
      1. batch较小时效果比较差；
      2. 不适用于rnn；
    3. LayerNormalize
      1. 不依赖batch
      2. 适用于rnn

 

百度面试：

  1. bert的任务是什么？NSP(next sentence predict) MLM(masked language model)
  2. bert的损失函数是什么？
    1. MLM使用softmax计算单词的概率，交叉熵损失
    2. NSP使用简单的分类，IsNextSequene，其实也是交叉熵损失
  3. 他说，beart后来把NSP这种方法不怎么用了？为什么？NSP有什么缺点
    1. 其实是RoBERTa，去掉了NSP任务；

 

中国星网：

  1. bert与transformer的损失函数区别？
    1. 先确认transformer； https://www.cnblogs.com/mxleader/p/17828540.html
    3. BERT的模型结构是Seq2Seq，核心是Transformer encoder；
  2. bert为什么没有使用multi-head，只使用一个head？
    1. 先确认；

小米：

  1. 编程题
    1. [-9, -7, -3, 0, 1,1, 5,6] 找出绝对值只出现一次的个数
    2. 方法：两边往中间合并；

 

小红书：

  1. 编程题
    1. 爬楼梯1，一次只能爬1阶，2阶，3阶；
    2. 爬楼梯2，一次只能爬k阶；https://blog.csdn.net/qq_40905198/article/details/102491844

小红书：电商风控一面

  1. 编程题
    1. 找出0-100间的质数

 

京东广告反作弊：

  1. 快速排序；
  2. 0-9号牌，十个人；有放回出来3个人，求满足年龄依次变小的概率；
    1. C(3,2)+C(4,2)+…+C(9,2)；先确定第3个人，再从剩余里取2个人即可，考虑顺序；
  3. fraudar算法的核心是什么？ 是不是用户相似度；

 

数字人民币研究所：

  1. xgb学习率过大会存在什么问题？
    1. 每棵树的贡献赋予了更大的权重,但这可能会导致过拟合/不稳定,会加快训练时间。而较低的学习率抑制了每棵树的贡献,使学习过程更慢但更健壮。
  2. bert对长文本有什么缺点？ 【这问题很垃圾】，
    1.  如果文本长度超1000字符，怎么办？ https://blog.csdn.net/weixin_43815222/article/details/136204450
      1. 截断，前截断、尾截断、前+尾
      2. pooling，切分过多个bert，再加一层合并
      3. 压缩，去除无用部分
    2. 对于风控任务，往往是整段话中有一小块敏感的就都要抛弃；而使用bert会通篇考虑语义，弱化黑的部分；所以，黑词很有效；第二就是，截断判断，有一段有问题整片拒绝

 

金融风控

1、PSI模型稳定度指标(population stability index ,PSI)可衡量测试样本及模型开发样本评分的的分布差异，为最常见的模型稳定度评估指针。https://blog.csdn.net/m0_54231818/article/details/134788210

2、KS统计量  https://zhuanlan.zhihu.com/p/140766729 ； 累积正例占比 减去 累积负例占比的最大值，说明对于正负样本的区分能力；

3、xgb特征重要性，weight 特征的使用次数，gain 特征的平均增益，cover特征对样本的平均覆盖度；

4、IV（Infromation Value），信息价值，用来表示特征对目标预测的贡献程度，即特征的预测能力，一般来说，IV值越高，该特征的预测能力越强，信息贡献程度越高。由于IV值的计算是以WOE值为基础的，所以计算IV值之前，首先得计算WOE值。

https://blog.csdn.net/lu_yunjie/article/details/109530875