百度数据挖掘工程师笔试题目

　　笔试时间：20××-9-20

　　笔试职位：机器学习/数据挖掘工程师

　　笔试城市：天津、深圳、南京等

　　一. 简答题

　　1. new 和 malloc 的区别。

　　2. hash冲突是指什么?怎么解决?给两种方法，写出过程和优缺点。

　　3. 命中的概率是 0.25，若要至少命中一次的概率不小于 0.75，则至少需要几次?

　　二. 算法设计题

　　1. 用C/C++写一个归并排序。

　　数据结构为struct Node{int v; Node *next};

　　接口为 Node * merge_sort(Node *);

　　2. 设计S型层次遍历树的算法，比如根节点是第一层，第二层从左至右遍历，第三层从右至左遍历，第四层再从左至右遍历，以此类推。

　　举例：应依次输出 1 2 3 6 5 4 7 8 9。

　　3. 一个url文件，每行是一个url地址，可能有重复。

　　(1)统计每个url的频次，设计函数实现实现。

　　(2)设有10亿url，平均长度是20，现在机器有8G内存，怎么处理，写出思路。

　　三. 系统设计题

　　自然语言处理中的中文分词问题，前向最大匹配算法(FMM)。

　　注：题目举例说明了FMM的基本思想。

　　(1)设计字典的数据结构 struct dictnote。

　　(2)用C/C++实现FMM，可选接口为

　　int FMM(vector iLetters, dictnode *iRoot, vector *oResults);

　　其中 iLetters 为待分词的句子，比如 {“小”，“明”，“今”，“天”，“买”，“了”，“i”，“p”，“o”，“n”，“e”，“6”}，

　　iRoot 是字典， oResults 保存输出结果，即分词的位置。也可以自己设计接口。

　　(3)收集了一些手机品牌的字典，如{iphone, 诺基亚}。

　　现在要求查找包含这些手机品牌的网页，比如包含 iphone6, 诺基亚 9973 等。

　　怎么修改FMM实现这个功能，可以写伪代码。