熱騰騰的Dcard面試心得！2017/5/27
我應徵的是 Data Engineer Intern!
一到Dcard的辦公室，迎面而來就是Dcard的藍色大招牌 ＸＤ
裡面便是新創公司風格開放式辦公室，大桌子而無間隔，讓彼此可以快速討論。
馬上就進入會議室面試，面試官為一位Dcard Data team的正職與一位Backend Team的資深實習生。進入會議室之後主管也馬上出題要我接招了！
主管直接明瞭說明兩個月內要做一個Dcard的文章推薦系統，這裡提供兩個策略：
- 利用使用者之前的行為，例如瀏覽、Like、回應過哪些文章，在推薦相似的文章給他。
- 利用Collaborative filtering，利用別人去猜這個使用者會不會喜歡這篇文章，利用這結果去推薦文章。
問：請說明您覺得哪個好，為什麼？
答：我選第一種用Like去做會比較準。 （回答沒有標準答案 主要面試官是在了解邏輯以及團隊合作的能力）
問：根據你說明用Like去做會比較準 這是為什麼？
答：Dcard的熱門文章設計會造成bias，點擊過的文章可能都會是熱門文章，但使用者按喜歡表示喜歡這篇，並想多看到這類型文章。 另外我覺得也可以利用文章內文的similarity 來推薦給使用者。 例如用所有文章來算LDA Topic model，再將文章丟進去看這篇文章比較屬於哪些Topic。 我Github有試過這個Model，我秀給你們看。
問：熱門文章介面的設計確實會帶來bias，但另一方面這個設計也讓Dcard可以吸引很多人上線觀看，我們現在便是想要做推薦系統來改善一些問題，那你想怎麼設計介面會比較好？
問：跟我解釋LDA模型是怎麼做的？
問：那要這個方法要怎麼解決cold start的問題？
問：那現在有個情況，我們現在也要解決新文章的推薦問題，主有少數的人會去看Dcard的新貼文，然後按讚把它洗上熱門，我們想要利用推薦系統讓多一點人去看新的文章，那你會怎麼做？
問：你說把Dcard的熱衷使用者按新文章的likes考慮進去推薦系統，那要怎麼加進去原有的推薦演算法？
問：那現在假設你的模型很順利地做出來了，你要怎麼去Evaluate 這個推薦系統，利A/B Test 還是其他方法？
問：你說先找使用者來試用，再去做A/B test，那你要怎麼選哪些人去做A/B Test。
問：你說把Dcard的人去做Cluster，那K-means的K你要怎麼決定？
問：不然這樣好了，我講我的想法，我覺得你在用Cluster會多一層不確定性。不如直接隨機給使用者安裝。 那你要怎麼訂多少人使用你的推薦系統，才表示這個推薦系統是好的？
