我的第一次实习面试——某金融科技公司算法实习生(金融风控方向)

11月12日投递的简历，13日下午进行的面试。

面了45分钟左右。从自我介绍开始，然后是讨论简历上的项目+一些技术问题。最后给了个业务方向的开放式问题。

项目问题和技术问题是很常规的问题。

项目问题比如：

对数据做了哪些特征工程？

这让我意识到我选的项目实在不是一个好的项目，基本没有什么特征工程的空间，于是准备把这个项目换掉，去找一个业务含义明确的数据集，才能增进对业务的了解。而且多在数据探索部分去挖掘一些规律，相当于干了数据分析的活儿。这对于业务理解应该是比较重要的。

技术问题比如：

xgb调了哪些参数？

我只说了树的数量，学习率和树的深度三个，实际上还有：colsample_bytree（用于训练模型的子样本比例）和subsample（每棵树随机采样的列数比例）；还有两个正则化参数reg_alpha和reg_lambda。这些我都是调过的，但是面试前没复习，所以都给忘了。（所以面试前还是得把自己做过的事情复盘一遍啊！）还有两个控制节点分裂的参数我不是很熟悉，分别是min_child_weight(最小样本权重和)和gamma/min_split_loss(最小损失)，调大它们可以降低模型复杂度。可能还有一些比较细节的参数就需要对xgb模型有比较深入的理解了吧。

开放式业务问题是：

现在有用户的APP安装包名称和安装时间的信息，怎么构建特征？

说实话在面试前我对于风控业务的了解实在是太少了，没想到还能从APP安装里面挖掘信息。于是一脸懵逼，不清楚是要挖掘什么指标。后面在网上看才了解，主要是看APP里面跟金融有关的各种信息。比如近X天（7天，14天，30天等各种时间窗口）安装的金融类APP数量&占比等。可以参考帖子：https://zhuanlan.zhihu.com/p/78413058

还可以引申到https://zhuanlan.zhihu.com/p/77238851