搜索引擎
爬虫url怎么查重？
搜索引擎禁用词怎么处理？多个词同时出现的禁用词呢？
排序指标都有什么？—— 准确率召回率，前10结果的相关比例；
给两个文章，如何衡量相似性？
除了欧式距离，还有什么距离？余弦距离有什么问题
搜索引擎中，词的命中率越高越好吗？——eg：北大分数线是多少？ 要考虑：term weight, 紧密度
TF-IDF有哪些缺点？—— 罕见词、不考虑词顺序
机器学习
FM原理
SVM常见核函数？高斯核原理？
SVM正则化在哪？
GBDT并行在哪？—— 特征选择（计算每个特征的信息增益时，特征之间并行）
什么时候用交叉熵误差？—— 分类用交叉熵误差，回归用均方误差
AUC哪里好？—— 不会被抽样影响；对排序友好
哪些模型可以增量计算？——LR,GBDT,k-means,朴素贝叶斯可以；SVM不可以
算法
两个200G文件，每个文件每行都是string。求两个文件交集？—— 分桶建trie
其它
网络
如果你突然打不开百度，怎么办？——从网络五层分别考虑，网络请求过程扫盲：
网络请求的过程：你在浏览器地址框输入了域名并回车，然后通过DNS解析找到相应的IP地址；然后通过HTTP协议建立了链接，找到了目标服务器的位置；接着就是TCP三次握手建立可靠链接，发送数据，服务器处理数据，TCP四次挥手断开链接；最后浏览器根据返回的数据解析渲染呈现页面。
DNS -- 应用层 HTTP -- 应用层 TCP -- 传输层 IP、路由器 -- 网络层 网桥、交换机 -- 数据链路层 网关 -- 物理层