企业官网建设流程全解析

聊到网易2018校招数据挖掘工程师的笔试卷，很多准备校招的同学私信问我到底考什么、该怎么复习。我在国内某厂做数据挖掘也快五年了，带过几届实习生，也帮部门出过笔试题，对这类校招笔试的出题思路还算熟悉。今天就把网易这套校招数据挖掘笔试卷拆开聊一聊，从考察方向、核心考点、答题策略到复习路线，把我的真实经验全部摆出来。无论是正在准备秋招的应届生，还是想转行数据挖掘方向的朋友，这篇都能帮你少走不少弯路。

网易这套卷子我整体刷下来的感觉是：不刁钻，但覆盖面很全，特别看重基础功和业务直觉。它不像有些公司喜欢出偏题怪题来卡人，而是通过一批“看着眼熟但细节多变”的题目，把基础扎实和只会背八股的同学区分开。如果你现在正在为数据挖掘岗笔试发愁，这篇文章建议先收藏，然后花半小时认真消化一遍。

1. 网易校招数据挖掘笔试的考察全局

1.1 网易的出题风格与筛选逻辑

先说一个很多人容易忽略的点：网易笔试的考察逻辑，不是看你“会不会”某个算法，而是看你在“真实业务约束下还能不能把算法用对”。它跟学校期末考试不一样，学校考的是公式定理的复现，笔试考的是面对不完整信息时做决策的能力。整套卷子下来，我印象最深的几个出题特点是：

题型混合度很高，选择、填空、简答、手写推导、SQL、编程题全都有。这就决定了你没法用“只刷算法题”来糊弄过去，每一块都得有一定的储备量。时间分配上，如果你在选择题上卡太久，后面的SQL和编程题基本来不及做完。

业务场景嵌入很深，它不会直接问你“什么是过拟合”，而是给你一个具体的业务场景（比如网易云音乐的歌单推荐、严选的商品销量预测），问你在这种场景下怎么识别和解决过拟合。这种题目看着不难，但如果没有真实项目经验，答起来就会很空，抓不住得分点。

基础概念考察灵活，针对经典算法不只是问优缺点，而是深入到“当数据出现某种变化时，这个算法的结果会不会变”这种细节层面。比如数据归一化之后决策树的结果变不变，K-Means初始点选不好会有什么后果，这类题目是拉开差距的关键。

结合这些特点，我建议的复习策略是：不要死记硬背机器学习算法的结论，而是要把每个算法的“最底层假设”和“业务适用边界”吃透。只有理解了模型为什么在这个业务下能用、换个业务为什么可能失效，面对网易这种偏业务场景的出题风格，你才能做到游刃有余。

1.2 整体考点分布与分值格局

网易这套卷子在我看来，考点分布大致可以分成四块：机器学习与概率统计、数据结构与算法、数据库与SQL、特征工程与业务场景题。从分值占比看，机器学习和概率统计是绝对的大头，估计占了40%以上，这也符合数据挖掘工程师岗位的核心要求。数据结构与算法相关的代码题大概占20%-30%，主要目的是“确保你真的会写代码，而不是只会理论”。SQL和业务题大约占20%-30%，这部分是很多科班出身但项目经验不足的同学最容易丢分的地方。

从难度梯度上看，这套卷子设计得相当有层次。基础题大概占50%，主要考察概念定义和经典结论，比如“什么是偏差方差分解”“常见聚类算法的区别”，这是决定你是否能过线的保底分。进阶题大概占30%，需要你做一些推导和计算，比如给我一组数据让你手动计算ID3决策树的信息增益，或者推导逻辑回归的梯度更新公式。区分题大概占20%，这些题目没有标准答案，更像是在跟面试官对话，考察你的思路是否清晰、能否把问题拆解清楚。

我把这四块的复习优先级排了个序：机器学习基础概念（尤其是算法原理与适用边界）> 概率统计计算能力 > SQL和编程基础 > 业务场景题框架。把这个优先级吃透了，你备考时就知道时间该往哪里砸了。

2. 核心考点拆解：机器学习与概率统计

2.1 经典机器学习算法的高频考法

网易笔试在机器学习算法部分的考察，最常出现的算法是逻辑回归、决策树、SVM、朴素贝叶斯、K-Means、随机森林和GBDT。注意我这里说的是“频繁出现”而不是“全部出现”，你可以根据目标岗位方向做局部调整，但核心算法群基本就是这些。

逻辑回归的考察深度在“损失函数推导”和“正负样本不平衡怎么办”。笔试里很可能给你一个逻辑回归的损失函数，让你化简求梯度。这里有个容易出错的地方，很多同学能背出交叉熵损失函数的样子，但一问到“为什么逻辑回归要用交叉熵而不是均方误差”，就愣住了。交叉熵配合sigmoid求导之后，梯度是干干净净的，没有sigmoid饱和区导致的梯度消失问题；而均方误差在sigmoid两端梯度几乎为0，收敛会非常慢。这个解释你写上去，阅卷人一眼就知道你真的懂。

决策树这边，重点绕不开信息增益、信息增益比和基尼系数。我之前见过一道印象很深的题：给一个只有8个样本的小数据集，让你手算当某个特征被选为分裂节点时，ID3和C4.5分别选哪个特征。这个题看上去简单，但手算过程非常考验细致程度，对数计算稍微马虎一点，结果就不对。我建议备考时把决策树的三种分裂指标的纯手工计算练到滚瓜烂熟，别依赖sklearn，否则考场上一紧张真的会算错。

SVM的经典考点是“硬间隔、软间隔的区别”“核函数的作用与选择”“为什么SVM对高维稀疏数据友好”。我当时备考时的一个心得是：不要死磕SVM的完整对偶推导，但一定要理解“最大间隔”这个直觉，以及核函数本质上是在做“隐式的特征映射”。把这两个点吃透了，SVM相关题目基本不会丢分。

对于朴素贝叶斯，网易很喜欢考“条件独立性假设在现实业务中失效了怎么办”这个点。比如在文本分类场景中，“的”和“地”这两个词在语法功能上相关，但朴素贝叶斯假设它们独立。这种题没有标准答案，核心是在考你有没有意识到“假设不成立时，模型会怎样”“实际工程中我们是怎么绕过去的”，比如用特征选择干掉强相关特征，或者换用线性SVM/逻辑回归。

聚类算法里，K-Means和DBSCAN是高频双雄。K-Means的考察重点是K值怎么选、初始点怎么选、对离群点敏不敏感。DBSCAN的考察重点是两个参数eps和min_samples怎么取值，以及它为什么能处理不规则形状的簇。这道题可以当作业务分析题来答，因为它本质上问的是“你拿到一堆无标签数据，怎么用合理的流程把它们聚成有业务含义的群体”。

2.2 概率统计题的三大方向

概率统计在数据挖掘笔试中的地位，怎么说都不为过。网易这套卷子的概率统计题，我总结为三个方向：条件概率与贝叶斯公式、期望与方差的性质、常见分布的参数估计。

贝叶斯公式基本是必考，但网易不喜欢考裸公式，而是喜欢套一个业务场景。比如“网易严选的一个商品推荐位，点击率是0.1，在点击的人中最终购买的概率是0.3，在未点击的人中购买概率是0.1，现在已知一个人购买了，求他曾经点击过的概率”。这题用贝叶斯公式一套就能做，关键是条件概率的分母要用全概率公式展开，很多同学在这步漏项。这类题考察的是谨慎，而不是技巧。

期望与方差的考察相对简单，但容易丢分的是“独立随机变量期望方差的性质”和“协方差与相关系数的区别”。给你两个分布让你求新随机变量的期望和方差，这是必须拿分的题。考试时可以把常考的几条性质提前写在小本子上，考前当天翻一遍，非常管用。

常见分布的参数估计，网易倾向于考最大似然估计。比如给一组服从正态分布的样本，让求均值和方差的最大似然估计。这题唯一的坑是方差的最大似然估计是有偏的，它除以的是n而不是n-1。很多人在这一步纠结要不要修正为无偏估计，但题目如果明确写“求最大似然估计”，那就不要修正，严格按似然函数最大化步骤来。这个细节，阅卷时是能看出你基础扎不扎实的。

2.3 手写推导与计算题的经验

网易笔试里有一类题是“纸上推公式”，很多同学一看就慌。其实这类题看起来吓人，但背后就是照着固定的几套路子在走。我备考时把常见推导分成四类：线性模型推导（逻辑回归梯度、线性回归闭式解）、概率模型推导（最大似然估计、朴素贝叶斯分类器）、距离计算（欧氏距离、曼哈顿距离、余弦相似度在具体数据上的计算）、树模型的信息增益计算。

做这类题，我有个特别实用的建议：平时练习一定要用纸笔完整地推每一个公式，不要眼高手低地只看不写。逻辑回归的梯度推导，你把链式法则展开到每一步都写清楚，考场上的手速和心态都会好很多。另外还要注意书写规范，推导过程不要跳步，因为它不是选择填空题，阅卷老师是按步骤给分的，跳步丢分真的很可惜。

还有一个很多同学不知道的细节：手写推导时，字母不要写得模棱两可，比如“l”和“1”、“z”和“2”容易混，阅卷时产生歧义是会扣分的。这是我当年惨痛教训，写公式跟写代码一样，宁可慢一点，也要保持清晰。

3. 特征工程与业务场景题

3.1 特征处理与特征选择的高频思路

特征工程这块，网易笔试的出题水平是我见过比较高的，它不会让你背“什么是独热编码”，而是会问你在“某个具体场景下你会怎么做特征”。这里我推荐一个特别好用的答题框架：先回答缺失值、异常值怎么处理；再回答特征缩放和编码怎么做；最后回答如何做特征选择和评估。这三个层次递进下来，就是一套完整的特征工程SOLUTION。

缺失值处理经常会提到的就是均值/中位数/众数填充，但要拿高分，你必须多补一句“根据业务含义决定是否填充、用什么填充”，比如点击率预估值缺失，直接用0填充可能比均值填充更合理。异常值处理不要只说“3σ原则”，还可以补充基于IQR的方法和基于业务规则的方法，比如某个订单金额超过历史峰值10倍，就不该用统计方法，而是应该先跟业务确认是不是数据错误。

特征编码这里，独热编码和标签编码的区别是基础，一定要知道。但网易更可能考的是“高基数类别特征怎么处理”。比如用户ID这种上千万级别的类别，直接独热编码会把特征维度炸开。实践中常用的是频数编码、目标编码、Embedding编码。笔试时你能把这些方法都讲清楚，并且说清楚各自的风险（比如目标编码容易过拟合），基本就是满分水平。

特征选择上，过滤式、包裹式、嵌入式这三大类你都要能说清楚，并给出对应的代表方法。我给你的记忆方法是：过滤式就是想快速筛选不依赖模型，比如卡方检验、皮尔逊相关系数；包裹式是把模型当作“试金石”，比如递归特征消除RFE；嵌入式是模型训练过程中自己选，比如L1正则和树模型的特征重要性。网易很爱考“L1正则和L2正则对特征选择的影响有什么不同”，本质就是在问嵌入式特征选择。L1会把不重要的特征系数压到0，天然做选择；L2只会让系数变小但不会为0，起的是防止过拟合的作用。

3.2 业务场景题的回答框架与话术

业务场景题是网易笔试的“区分题”，它考察的不是某一个算法，而是你面对一个不确定的业务问题时，能否有条理地把它拆成一个可执行的机器学习方案。我总结了一套万能四步框架，每次遇到这种题都按这个走，基本不会乱。

第一步：定义问题和目标。把业务问题翻译成数学问题。比如“预测严选商品未来7天销量”，你要说清楚这是回归问题还是时间序列问题、预测粒度是SKU还是品类、评价指标用MAE还是MAPE。第二步：数据与特征。说清楚需要哪些数据，数据从哪来，如何构造特征。第三步：模型选型与训练。给出候选模型，说明为什么选它，如何做验证。第四步：评估与上线。说明用什么指标评估效果，如果效果不好怎么迭代，如何做AB实验。

回答业务场景题的时候，一定要把“为什么要做这一步”说清楚，不要只列步骤。比如你说“对异常值做处理”，阅卷人可能会想“用什么方法处理？为什么用这个方法？”你补上一句“销量为负的日期是明显的异常，应该剔除而不是填充”，这个回答就会立刻显得有实战经验。

另外，业务场景题的答案没有唯一标准，我见过很多同学在这类题上写“我用XGBoost建模”就完事了，这样只能拿及格分。高分答案的差异在于：有没有人提出“这个问题其实可以拆成两个子问题”？例如销量预测可能应分别对待新品和存量品，因为新品没有历史数据，需要用相似品的数据来迁移，这种洞察一下就拉开了差距。

4. 数据结构、编程与SQL

4.1 数据结构与算法笔试的应对策略

网易数据挖掘岗笔试题里的编程题，不会像纯后端工程师那么夸张，但也不是白送分。从过往经验看，它通常不会跳开以下三个主题：字符串处理、数组与哈希、动态规划与递归。我备考时重点刷了LeetCode上与这三个主题相关的简单和中等难度题，效果非常明显。

字符串处理题常考“最长不重复子串”“字符串匹配”“字符统计”等。这类题一定要熟练掌握滑动窗口技巧，另外Python的字典和collections.Counter能用得特别熟。数组与哈希题目中，“两数之和”这种经典题要手到擒来，但还要学会“如何从暴力解法优雅地优化到哈希解法”，因为笔试有时会要求你先给出暴力解再给出优化解。

动态规划和递归在数据挖掘笔试中偶尔会出现，但难度通常不会太深。我备考时的策略是重点掌握斐波那契、爬楼梯、最长公共子序列、01背包这四大件。如果压轴编程题是动态规划，大概率也是这四件套的变种。实在不会也没关系，可以把递归的暴力写法写出来，并注明“可以加备忘录优化”，阅卷人也能看出你有思路。

还有一个容易被忽略的点：笔试编程题的环境和你本地IDE不一样，输入输出的处理很容易出错。网易笔试一般用的是牛客网或者赛码网，输入输出格式比较奇葩，有的一行多个整数用空格分隔，有的用换行分隔。建议考前一定要去牛客网用真题环境练几道题，把sys.stdin.readline()这种输入输出写法练熟，不然你解题思路完全正确，却因为输入解析写错了而0分，实在太冤了。

4.2 SQL高频题型与分析函数

SQL在数据挖掘岗位笔试中的重要性，怎么说都不为过。网易的SQL题基本不会只考简单的SELECT，而是集中在聚合统计、分组排序、留存率计算、连续登录这三大经典命题方向。

分组排序是最常考的，比如“找出每个类目下销量最高的前三个商品”。这类题用窗口函数ROW_NUMBER()或RANK()就能解决，先按类目分组，再按销量排序，然后取排名小于等于3的。唯一容易踩坑的点是要区分RANK、DENSE_RANK、ROW_NUMBER三者的差异，同一销量时这三个函数给出的排名结果是不同的，题目如果没有明确要求，建议先用ROW_NUMBER，因为它对主键唯一场景最安全。

留存率计算也是高频题，比如“计算用户次日留存率”。标准做法是用一个LEFT JOIN把某一天活跃的用户和第二天仍活跃的用户关联起来，再用COUNT(DISTINCT)来计算。这里要特别注意去重，一个用户在同一天内可能有多次活跃记录，不对用户ID去重的话，留存率会虚高。用COUNT(DISTINCT user_id)是稳妥的做法。

连续登录类题目是进阶题，考察“找出连续登录3天以上的用户”。核心思路是用窗口函数ROW_NUMBER()给每个用户的登录日期排序，然后用“登录日期减去排名天数”得到一个分组日期，连续登录的日期减排名后的值是相同的。你能理解到这个“日期减排名”的技巧，SQL这题基本就稳了。

我强烈建议你把窗口函数（ROW_NUMBER、RANK、DENSE_RANK、LAG、LEAD、SUM OVER）练熟。网易SQL题中大约70%的复杂查询都可以用窗口函数优雅解决。面试前用LeetCode数据库题库或者牛客SQL题库刷上几十道，手感就会完全不同。

5. 备考策略与实战经验

5.1 冲刺阶段的时间规划

如果你现在距离笔试还有一个月左右，我给你一套可执行的复习规划。这个方法我在辅导学弟学妹时反复推荐，亲测有效。

第一周，重心放在机器学习理论和概率统计上。花3-4天把算法原理串一遍，重点是那几个高频模型的损失函数、优化方法和适用场景。剩下3天专门刷概率统计题，尤其是贝叶斯和最大似然估计的手算题。第二周，重心转向编程和SQL。每天至少花2小时在LeetCode刷题上，同时花1小时刷SQL题。这周的目标是把代码的手感练出来，拿到一道题能在10-15分钟内有思路并跑通。第三周，重心是查漏补缺和整套模拟。找2-3套近年网易或其他大厂的数据挖掘真题，按真实笔试的时间限制来模拟。第四周就是考前冲刺，不再做新题，只翻错题集和笔记，把高频知识点和公式印在脑子里。

这套规划最关键的一点是：不要前松后紧。很多同学觉得算法基础好就大量练代码，把理论和业务题拖到最后，结果笔试时能编题写得飞起，但业务场景题却什么也写不出来，直接与面试擦肩而过。

5.2 考场时间分配与答题顺序

网易数据挖掘笔试的时间通常比较紧，2小时左右做一套题，题量不小。我在考场上最推荐的时间分配方式是：优先保证选择填空和简单计算题的准确率，因为这是你的“保底分”。然后再集中精力做SQL和编程题，这两块分值高且答案客观，容易拿分。业务场景题和推导题放在最后，它们没有唯一答案，就算时间紧张，写出框架也能拿一部分分数。

我踩过一个教训：那年笔试我在一道手推逻辑回归梯度的题上花了将近20分钟，还写错了最后一步，导致后面SQL题只写了一半。后来我把做题策略改了：先把所有题目快速浏览一遍，标记出自己“一眼就会”的题目并快速完成，再回头啃难啃的题目。别再跟一道题死磕，这么做并不值得。这个策略我在后来的所有线上笔试里一直复用，基本上能保证120分钟内有整体完成度。

还有一点是，线上笔试时千万注意“保存草稿”和“提交”的区别。牛客网这类平台，你可以先把答案写在草稿里，最后统一提交。要防止时间到自动交卷时，还有题目尚未填入答题区，那就真的血亏了。建议每隔20分钟看一眼剩余时间，按自己的进度动态调整。

5.3 错题复盘与长期思维

笔试结束之后，不要一下子把题目忘光。建议趁热打铁，把自己做错的、不会的、考场上蒙对的题全部整理进错题本。这也是我从校招一路到职场坚持下来的习惯。不要害怕错题多，数据挖掘岗的笔试复习本质上就是在“把错题中暴露出的盲区补齐”。我每年都会翻看自己当年的笔试错题本，很多当时卡住的概念，后来在工作中都成了日常操作。

长期来看，数据挖掘工程师的笔试复习不仅仅是应付考试。概率统计、特征工程、SQL、机器学习原理，这套东西跟真实工作中的建模流程高度重合。你在笔试阶段把这些基础打扎实，入职后会少走很多弯路。我个人在校招入职后的第一个月，就明显感受到：笔试时练过的“如何从业务问题转化为建模问题”的思维方式，直接帮我快速上手了第一个真实业务项目。

如果你能过笔试这一关，后续面试大概率会围绕项目经历和算法细节展开。但笔试阶段，请先把这些基础题稳稳地做好。回头看，网易这套2018校招数据挖掘工程师笔试卷，我最大的感受是：它不考你天赋，考的是你有没有认真准备过。把高频考点全部吃透，把该拿的分都拿到，你离网易数据挖掘工程师的offer就真的不远了。