Team: E-commerce
Position: Machine Learning Engineer – E-commerce
Years: 2025
Interviewee: New Grad
Round: One
Interviewer: Team Lead
Questions:
1. Merge two sorted linked list（力扣 easy 原題五分鐘秒）
2. Merge k sorted linked list（力扣 hard 原題 5 分鐘）然後問 follow up，有沒有別的方法寫，提了 priority queue 和 merge sort 的做法，要求寫一個，但是比較簡單時間很充裕都寫了，加上複雜度分析
3. 最後還有一個 follow up，怎麼去重，（力扣原題 medium）邊 merge 邊去重或者 merge 完去重，40 分鐘寫完了一堆 follow up 但是比起一面的三維 dp 還是很好寫的
Round: Two
面試官：Tech Lead （北美 Tiktok 面試官）
Questions:
（1） 自我介紹
（2） 描述你對 collaborative filtering 的理解，和什麼場景下用到。
（3） 解釋 user-based or item-based 是如何算 similarity。 你如何考慮 rating？
（4） 描述兩階段推薦系統
（5） Candidate generator 用的是什麼模型？ 解釋模型，模型時間複雜度。
（6） Ranker 使用什麼模型，解釋模型和模型複雜度
（7） 為什麼使用多個 generators
（8） 如果我們最後推薦給使用者 5 個產品。 為什麼是這 5 個？ 使用 two-phase recommendation system 如何得到這五個？ 如果你使用不同 labels，解釋每一個 label 的 loss functions 怎麼算。
（9） 場景設置：如果我們現在有新使用者 or 新產品來，你如何能幫助他們在系統裡快速 運轉起來。
（10） 如果我們現在有 item-embedding 和 user-embedding，你怎麼定義它們？ 可以怎麼計算？ 用什麼模型？ 面試官首先喊我我解釋 matrix factorization + loss func + 如何 optimization; 其次喊我解釋什麼是 two-tower neural network
(11) 最后给了一道 med coding题
Result: Passed
Round: Three
Interviewer: Tech lead (中国Tiktok面试官)
Questions：
（1） 自我介紹
（2） 解釋在 chatbot 專案中使用過的所有模型。
（3） 解釋為什麼使用 LSTM，LSTM 的框架，並解釋每一個 Gate 裡的數學模型。
(4) 解释neural network里activation function： sigmoid，Than，Relu和Leaky Relu。写出它们的functions并描述优缺点。
（5） 如何解決ReLU Dying問題，為什麼會出現。 Gradient vanishing/exploding 解決方法。
（6） 寫出 back propagation 數學解析公式
（7） 寫出 sigmoid function 的 loss function，用公式的形式寫出如何優化求出最優 parameters。 要求 maximum likelihood 和 entropy 兩種方法都要解釋和寫出公式。
(8) 完整描述一个推荐系统系统设计（中间重点询问了feature部分如何获取和设计）
(9) 一道med code。
Round: Four
Interviewer: Recruiter
Questions：
最後是 HR 面，面試官主要想深入瞭解你的背景、技能、職業規劃，評估你是否適合公司文化和發展方向。
1. 自我介紹
2. 为什么选择 TikTok
3. 工作中遇到的最大挑戰
4. 優缺點
5. 與他人意見不一致時如何處理
6. 職業規劃
在我們的面試輔助下，候選人成功通過了 Tiktok 的面試，如果你也需要我們的面試輔助服務，請立即联系我们。
