溝通協(xié)調能力面試題-招聘街

一、溝通協(xié)調能力面試題

二、面試題目組織協(xié)調能力萬能句？

組織計劃類，很簡單。大原則是：地時人財物+宣傳、安保。

另，注意，將大題目化為小題目。

具體工作中：我們一是確定時間、二是確定地點，包括場地布置、三是提前確定主講人，與他溝通好，四是商請哪些領導出席、五是主持人選擇、六是要組織觀眾有序入場、七是做好財務預算和決算八是請新聞媒體做好宣傳工作、九是會場安保與秩序維持。

相信通過以上的組織，這個會議能取得較好的效果，能為XX工作增添新的正能量。

三、面試題型:工作任務緊急但同事要請假怎么協(xié)調？

假設要請假的同事為小李。面對這種緊急情況，我會主動與小李進行溝通協(xié)調，保證按時完成領導交辦的任務。

首先，我會主動向小李了解他的情況。我會對小李的情況表示理解。

其次，聽了小李的說明后，我會結合目前任務的緊急程度，與小李進行真誠溝通。此次任務緊急，領導又要求我們在三天之內完成，這些情況，相信小李都是了解的，因此，在與小李的溝通中，我會先與他商量能否在任務完成后再請假，畢竟完成緊急任務才是當務之急。

小李平時也是一個對工作負責的人，相信他會認真考量目前的情況。

同時，我也會跟他說明，在這三天的配合中，我會盡量多承擔一些工作，也體諒小李著急備考的心情，盡可能讓他少加班，我多承擔，保證如期完成任務。

再次，在與小李商定后，我會和小李結合任務情況、時間安排、各自專長等，合理分工。

同時，我也會針對小李的特殊情況，除必須由他完成的任務外，我會盡量加班加點完成其他工作，既保證任務在規(guī)定時間內有效完成，又讓小李盡量不過多占用下班后的時間。

最后，在任務完成后，我會和小李一起向領導做好工作匯報，我也會特別向領導說明小李克服困難積極完成工作的情況。

四、溝通協(xié)調還是協(xié)調溝通？

個人理解還是先溝通然后才能協(xié)調，溝通是坐在一起交流，協(xié)調是商量，溝通是雙方有意愿坐在一起，然后談條件，互相妥協(xié)最后達成協(xié)議，這一過程稱之為協(xié)調。溝通與協(xié)調相輔相成，缺一不可。當然也有先協(xié)調后溝通的，比如車輛出交通事故了，交警出面協(xié)調，雙方一起溝通解決問題，最終達成協(xié)議。只是本人理解，不一定正確，見諒。

五、部門協(xié)調聯(lián)動協(xié)調機制

部門協(xié)調聯(lián)動協(xié)調機制在企業(yè)管理中扮演著至關重要的角色。隨著市場的競爭日益激烈，企業(yè)需要不同部門之間高效協(xié)作和聯(lián)動，以確保內部流程的順暢和效率的提升。部門協(xié)調聯(lián)動協(xié)調機制的建立和完善可以幫助企業(yè)整體實現(xiàn)更好的運營表現(xiàn)。

什么是部門協(xié)調聯(lián)動協(xié)調機制？

部門協(xié)調聯(lián)動協(xié)調機制是指在企業(yè)內部各個部門之間建立起相互協(xié)作、信息共享和資源整合的機制。通過協(xié)調各部門的工作和資源，實現(xiàn)工作流程的協(xié)同、互相配合，以達到整體運營效率的最大化。

部門協(xié)調聯(lián)動協(xié)調機制的重要性

一個企業(yè)若要在競爭激烈的市場中立于不敗之地，就必須重視部門協(xié)調聯(lián)動協(xié)調機制的建立和優(yōu)化。以下是部門協(xié)調聯(lián)動協(xié)調機制的重要性所在：

提高工作效率：各部門之間的有效協(xié)作能夠減少溝通成本、避免信息斷層，從而提高整體工作效率。
優(yōu)化資源利用：通過協(xié)調各部門之間的資源分配和利用，避免資源浪費和重復投入，實現(xiàn)資源的最優(yōu)利用。
增強企業(yè)競爭力：部門協(xié)調聯(lián)動協(xié)調機制能夠促進企業(yè)整體運營效率的提升，使企業(yè)更具競爭力。
提升員工滿意度：部門之間的協(xié)調合作能夠減少工作沖突和壓力，提升員工工作滿意度，增強團隊凝聚力。

如何建立有效的部門協(xié)調聯(lián)動協(xié)調機制？

要建立有效的部門協(xié)調聯(lián)動協(xié)調機制，企業(yè)需要從以下幾個方面入手：

明確目標和責任：明確各部門的工作目標和職責范圍，確保每個部門清楚自己的工作職責，避免責任模糊導致協(xié)作困難。
建立溝通機制：建立定期的部門間溝通機制，確保信息的及時傳遞和共享，避免信息滯后造成問題。
制定協(xié)作流程：建立明確的工作流程和協(xié)作機制，梳理各部門之間的工作關系和依賴，確保工作流程的順暢。
設立部門聯(lián)絡人：每個部門可以設立聯(lián)絡人，負責部門間協(xié)作的溝通與協(xié)調，減少信息失誤和溝通阻礙。
持續(xù)優(yōu)化與改進：建立部門協(xié)調聯(lián)動協(xié)調機制是一個不斷優(yōu)化和改進的過程，企業(yè)應持續(xù)關注機制的運作效果，并根據(jù)情況做出調整。

部門協(xié)調聯(lián)動協(xié)調機制的實施案例

以下是一個企業(yè)部門協(xié)調聯(lián)動協(xié)調機制的實施案例，以幫助更好地理解機制的具體運作：

某公司制定了定期部門經(jīng)理會議，每周一次，由CEO主持。會議內容包括各部門工作匯報、存在的問題和困難、下階段工作計劃等。會后各部門經(jīng)理進行溝通協(xié)調，及時解決問題，確保工作進度。

結語

部門協(xié)調聯(lián)動協(xié)調機制對于企業(yè)的管理和運營至關重要。企業(yè)應該重視建立和完善部門協(xié)調聯(lián)動協(xié)調機制，以提升整體運營效率和競爭力，在激烈的市場競爭中立于不敗之地。

六、機器人協(xié)調與協(xié)調先導區(qū)別？

"機器人協(xié)調"和"協(xié)調先導"是機器人研究領域的兩個相關概念，它們有一些區(qū)別：

1. 機器人協(xié)調：機器人協(xié)調是指機器人系統(tǒng)內部各個組件或子系統(tǒng)之間的合作和協(xié)調工作。機器人協(xié)調的目的是確保不同的部件或子系統(tǒng)能夠相互配合，以實現(xiàn)整體的任務目標。這包括傳感器、執(zhí)行器、控制算法等的協(xié)同工作，以及任務分配、資源管理和決策等方面。

2. 協(xié)調先導：協(xié)調先導是指機器人系統(tǒng)中的一個分層控制架構，其中高層負責任務規(guī)劃和協(xié)調，低層負責執(zhí)行具體的任務。協(xié)調先導的主要思想是將復雜的任務分解為多個子任務，并通過高層控制器對子任務進行規(guī)劃和協(xié)調，然后將規(guī)劃好的任務傳遞給低層控制器進行執(zhí)行。這種架構可以提高機器人系統(tǒng)的適應性和靈活性。

總的來說，機器人協(xié)調更側重于機器人系統(tǒng)內部各個部件之間的合作與協(xié)作，而協(xié)調先導則強調了任務的分層規(guī)劃和控制策略。兩者都是為了提高機器人系統(tǒng)的性能和效能，實現(xiàn)更復雜的任務和功能。

七、mahout面試題？

之前看了Mahout官方示例 20news 的調用實現(xiàn)；于是想根據(jù)示例的流程實現(xiàn)其他例子。網(wǎng)上看到了一個關于天氣適不適合打羽毛球的例子。

訓練數(shù)據(jù)：

Day Outlook Temperature Humidity Wind PlayTennis

D1 Sunny Hot High Weak No

D2 Sunny Hot High Strong No

D3 Overcast Hot High Weak Yes

D4 Rain Mild High Weak Yes

D5 Rain Cool Normal Weak Yes

D6 Rain Cool Normal Strong No

D7 Overcast Cool Normal Strong Yes

D8 Sunny Mild High Weak No

D9 Sunny Cool Normal Weak Yes

D10 Rain Mild Normal Weak Yes

D11 Sunny Mild Normal Strong Yes

D12 Overcast Mild High Strong Yes

D13 Overcast Hot Normal Weak Yes

D14 Rain Mild High Strong No

檢測數(shù)據(jù)：

sunny，hot，high，weak

結果：

Yes=》 0.007039

No=》 0.027418

于是使用Java代碼調用Mahout的工具類實現(xiàn)分類。

基本思想：

1. 構造分類數(shù)據(jù)。

2. 使用Mahout工具類進行訓練，得到訓練模型。

3。將要檢測數(shù)據(jù)轉換成vector數(shù)據(jù)。

4. 分類器對vector數(shù)據(jù)進行分類。

接下來貼下我的代碼實現(xiàn)=》

1. 構造分類數(shù)據(jù)：

在hdfs主要創(chuàng)建一個文件夾路徑 /zhoujainfeng/playtennis/input 并將分類文件夾 no 和 yes 的數(shù)據(jù)傳到hdfs上面。

數(shù)據(jù)文件格式，如D1文件內容： Sunny Hot High Weak

2. 使用Mahout工具類進行訓練，得到訓練模型。

3。將要檢測數(shù)據(jù)轉換成vector數(shù)據(jù)。

4. 分類器對vector數(shù)據(jù)進行分類。

這三步，代碼我就一次全貼出來；主要是兩個類 PlayTennis1 和 BayesCheckData = =》

package myTesting.bayes;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.util.ToolRunner;

import org.apache.mahout.classifier.naivebayes.training.TrainNaiveBayesJob;

import org.apache.mahout.text.SequenceFilesFromDirectory;

import org.apache.mahout.vectorizer.SparseVectorsFromSequenceFiles;

public class PlayTennis1 {

private static final String WORK_DIR = "hdfs://192.168.9.72:9000/zhoujianfeng/playtennis";

* 測試代碼

public static void main(String[] args) {

//將訓練數(shù)據(jù)轉換成 vector數(shù)據(jù)

makeTrainVector();

//產生訓練模型

makeModel(false);

//測試檢測數(shù)據(jù)

BayesCheckData.printResult();

}

public static void makeCheckVector(){

//將測試數(shù)據(jù)轉換成序列化文件

try {

Configuration conf = new Configuration();

conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));

String input = WORK_DIR+Path.SEPARATOR+"testinput";

String output = WORK_DIR+Path.SEPARATOR+"tennis-test-seq";

Path in = new Path(input);

Path out = new Path(output);

FileSystem fs = FileSystem.get(conf);

if(fs.exists(in)){

if(fs.exists(out)){

//boolean參數(shù)是，是否遞歸刪除的意思

fs.delete(out, true);

}

SequenceFilesFromDirectory sffd = new SequenceFilesFromDirectory();

String[] params = new String[]{"-i",input,"-o",output,"-ow"};

ToolRunner.run(sffd, params);

}

} catch (Exception e) {

// TODO Auto-generated catch block

e.printStackTrace();

System.out.println("文件序列化失敗！");

System.exit(1);

}

//將序列化文件轉換成向量文件

try {

Configuration conf = new Configuration();

conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));

String input = WORK_DIR+Path.SEPARATOR+"tennis-test-seq";

String output = WORK_DIR+Path.SEPARATOR+"tennis-test-vectors";

Path in = new Path(input);

Path out = new Path(output);

FileSystem fs = FileSystem.get(conf);

if(fs.exists(in)){

if(fs.exists(out)){

//boolean參數(shù)是，是否遞歸刪除的意思

fs.delete(out, true);

}

SparseVectorsFromSequenceFiles svfsf = new SparseVectorsFromSequenceFiles();

String[] params = new String[]{"-i",input,"-o",output,"-lnorm","-nv","-wt","tfidf"};

ToolRunner.run(svfsf, params);

}

} catch (Exception e) {

// TODO Auto-generated catch block

e.printStackTrace();

System.out.println("序列化文件轉換成向量失敗！");

System.out.println(2);

}

public static void makeTrainVector(){

//將測試數(shù)據(jù)轉換成序列化文件

try {

Configuration conf = new Configuration();

conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));

String input = WORK_DIR+Path.SEPARATOR+"input";

String output = WORK_DIR+Path.SEPARATOR+"tennis-seq";

Path in = new Path(input);

Path out = new Path(output);

FileSystem fs = FileSystem.get(conf);

if(fs.exists(in)){

if(fs.exists(out)){

//boolean參數(shù)是，是否遞歸刪除的意思

fs.delete(out, true);

}

SequenceFilesFromDirectory sffd = new SequenceFilesFromDirectory();

String[] params = new String[]{"-i",input,"-o",output,"-ow"};

ToolRunner.run(sffd, params);

}

} catch (Exception e) {

// TODO Auto-generated catch block

e.printStackTrace();

System.out.println("文件序列化失敗！");

System.exit(1);

}

//將序列化文件轉換成向量文件

try {

Configuration conf = new Configuration();

conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));

String input = WORK_DIR+Path.SEPARATOR+"tennis-seq";

String output = WORK_DIR+Path.SEPARATOR+"tennis-vectors";

Path in = new Path(input);

Path out = new Path(output);

FileSystem fs = FileSystem.get(conf);

if(fs.exists(in)){

if(fs.exists(out)){

//boolean參數(shù)是，是否遞歸刪除的意思

fs.delete(out, true);

}

SparseVectorsFromSequenceFiles svfsf = new SparseVectorsFromSequenceFiles();

String[] params = new String[]{"-i",input,"-o",output,"-lnorm","-nv","-wt","tfidf"};

ToolRunner.run(svfsf, params);

}

} catch (Exception e) {

// TODO Auto-generated catch block

e.printStackTrace();

System.out.println("序列化文件轉換成向量失敗！");

System.out.println(2);

}

public static void makeModel(boolean completelyNB){

try {

Configuration conf = new Configuration();

conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));

String input = WORK_DIR+Path.SEPARATOR+"tennis-vectors"+Path.SEPARATOR+"tfidf-vectors";

String model = WORK_DIR+Path.SEPARATOR+"model";

String labelindex = WORK_DIR+Path.SEPARATOR+"labelindex";

Path in = new Path(input);

Path out = new Path(model);

Path label = new Path(labelindex);

FileSystem fs = FileSystem.get(conf);

if(fs.exists(in)){

if(fs.exists(out)){

//boolean參數(shù)是，是否遞歸刪除的意思

fs.delete(out, true);

}

if(fs.exists(label)){

//boolean參數(shù)是，是否遞歸刪除的意思

fs.delete(label, true);

}

TrainNaiveBayesJob tnbj = new TrainNaiveBayesJob();

String[] params =null;

if(completelyNB){

params = new String[]{"-i",input,"-el","-o",model,"-li",labelindex,"-ow","-c"};

}else{

params = new String[]{"-i",input,"-el","-o",model,"-li",labelindex,"-ow"};

}

ToolRunner.run(tnbj, params);

}

} catch (Exception e) {

// TODO Auto-generated catch block

e.printStackTrace();

System.out.println("生成訓練模型失敗！");

System.exit(3);

}

package myTesting.bayes;

import java.io.IOException;

import java.util.HashMap;

import java.util.Map;

import org.apache.commons.lang.StringUtils;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.fs.PathFilter;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.mahout.classifier.naivebayes.BayesUtils;

import org.apache.mahout.classifier.naivebayes.NaiveBayesModel;

import org.apache.mahout.classifier.naivebayes.StandardNaiveBayesClassifier;

import org.apache.mahout.common.Pair;

import org.apache.mahout.common.iterator.sequencefile.PathType;

import org.apache.mahout.common.iterator.sequencefile.SequenceFileDirIterable;

import org.apache.mahout.math.RandomAccessSparseVector;

import org.apache.mahout.math.Vector;

import org.apache.mahout.math.Vector.Element;

import org.apache.mahout.vectorizer.TFIDF;

import com.google.common.collect.ConcurrentHashMultiset;

import com.google.common.collect.Multiset;

public class BayesCheckData {

private static StandardNaiveBayesClassifier classifier;

private static Map<String, Integer> dictionary;

private static Map<Integer, Long> documentFrequency;

private static Map<Integer, String> labelIndex;

public void init(Configuration conf){

try {

String modelPath = "/zhoujianfeng/playtennis/model";

String dictionaryPath = "/zhoujianfeng/playtennis/tennis-vectors/dictionary.file-0";

String documentFrequencyPath = "/zhoujianfeng/playtennis/tennis-vectors/df-count";

String labelIndexPath = "/zhoujianfeng/playtennis/labelindex";

dictionary = readDictionnary(conf, new Path(dictionaryPath));

documentFrequency = readDocumentFrequency(conf, new Path(documentFrequencyPath));

labelIndex = BayesUtils.readLabelIndex(conf, new Path(labelIndexPath));

NaiveBayesModel model = NaiveBayesModel.materialize(new Path(modelPath), conf);

classifier = new StandardNaiveBayesClassifier(model);

} catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

System.out.println("檢測數(shù)據(jù)構造成vectors初始化時報錯。。。。");

System.exit(4);

}

/**

* 加載字典文件，Key: TermValue； Value：TermID

* @param conf

* @param dictionnaryDir

* @return

private static Map<String, Integer> readDictionnary(Configuration conf, Path dictionnaryDir) {

Map<String, Integer> dictionnary = new HashMap<String, Integer>();

PathFilter filter = new PathFilter() {

@Override

public boolean accept(Path path) {

String name = path.getName();

return name.startsWith("dictionary.file");

}

};

for (Pair<Text, IntWritable> pair : new SequenceFileDirIterable<Text, IntWritable>(dictionnaryDir, PathType.LIST, filter, conf)) {

dictionnary.put(pair.getFirst().toString(), pair.getSecond().get());

}

return dictionnary;

}

/**

* 加載df-count目錄下TermDoc頻率文件，Key: TermID； Value：DocFreq

* @param conf

* @param dictionnaryDir

* @return

private static Map<Integer, Long> readDocumentFrequency(Configuration conf, Path documentFrequencyDir) {

Map<Integer, Long> documentFrequency = new HashMap<Integer, Long>();

PathFilter filter = new PathFilter() {

@Override

public boolean accept(Path path) {

return path.getName().startsWith("part-r");

}

};

for (Pair<IntWritable, LongWritable> pair : new SequenceFileDirIterable<IntWritable, LongWritable>(documentFrequencyDir, PathType.LIST, filter, conf)) {

documentFrequency.put(pair.getFirst().get(), pair.getSecond().get());

}

return documentFrequency;

}

public static String getCheckResult(){

Configuration conf = new Configuration();

conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));

String classify = "NaN";

BayesCheckData cdv = new BayesCheckData();

cdv.init(conf);

System.out.println("init done...............");

Vector vector = new RandomAccessSparseVector(10000);

TFIDF tfidf = new TFIDF();

//sunny，hot，high，weak

Multiset<String> words = ConcurrentHashMultiset.create();

words.add("sunny",1);

words.add("hot",1);

words.add("high",1);

words.add("weak",1);

int documentCount = documentFrequency.get(-1).intValue(); // key=-1時表示總文檔數(shù)

for (Multiset.Entry<String> entry : words.entrySet()) {

String word = entry.getElement();

int count = entry.getCount();

Integer wordId = dictionary.get(word); // 需要從dictionary.file-0文件（tf-vector）下得到wordID，

if (StringUtils.isEmpty(wordId.toString())){

continue;

}

if (documentFrequency.get(wordId) == null){

continue;

}

Long freq = documentFrequency.get(wordId);

double tfIdfValue = tfidf.calculate(count, freq.intValue(), 1, documentCount);

vector.setQuick(wordId, tfIdfValue);

}

// 利用貝葉斯算法開始分類,并提取得分最好的分類label

Vector resultVector = classifier.classifyFull(vector);

double bestScore = -Double.MAX_VALUE;

int bestCategoryId = -1;

for(Element element: resultVector.all()) {

int categoryId = element.index();

double score = element.get();

System.out.println("categoryId:"+categoryId+" score:"+score);

if (score > bestScore) {

bestScore = score;

bestCategoryId = categoryId;

}

classify = labelIndex.get(bestCategoryId)+"(categoryId="+bestCategoryId+")";

return classify;

}

public static void printResult(){

System.out.println("檢測所屬類別是："+getCheckResult());

}

八、webgis面試題？

1. 請介紹一下WebGIS的概念和作用，以及在實際應用中的優(yōu)勢和挑戰(zhàn)。

WebGIS是一種基于Web技術的地理信息系統(tǒng)，通過將地理數(shù)據(jù)和功能以可視化的方式呈現(xiàn)在Web瀏覽器中，實現(xiàn)地理空間數(shù)據(jù)的共享和分析。它可以用于地圖瀏覽、空間查詢、地理分析等多種應用場景。WebGIS的優(yōu)勢包括易于訪問、跨平臺、實時更新、可定制性強等，但也面臨著數(shù)據(jù)安全性、性能優(yōu)化、用戶體驗等挑戰(zhàn)。

2. 請談談您在WebGIS開發(fā)方面的經(jīng)驗和技能。

我在WebGIS開發(fā)方面有豐富的經(jīng)驗和技能。我熟悉常用的WebGIS開發(fā)框架和工具，如ArcGIS API for JavaScript、Leaflet、OpenLayers等。我能夠使用HTML、CSS和JavaScript等前端技術進行地圖展示和交互設計，并能夠使用后端技術如Python、Java等進行地理數(shù)據(jù)處理和分析。我還具備數(shù)據(jù)庫管理和地理空間數(shù)據(jù)建模的能力，能夠設計和優(yōu)化WebGIS系統(tǒng)的架構。

3. 請描述一下您在以往項目中使用WebGIS解決的具體問題和取得的成果。

在以往的項目中，我使用WebGIS解決了許多具體問題并取得了顯著的成果。例如，在一次城市規(guī)劃項目中，我開發(fā)了一個基于WebGIS的交通流量分析系統(tǒng)，幫助規(guī)劃師們評估不同交通方案的效果。另外，在一次環(huán)境監(jiān)測項目中，我使用WebGIS技術實現(xiàn)了實時的空氣質量監(jiān)測和預警系統(tǒng)，提供了準確的空氣質量數(shù)據(jù)和可視化的分析結果，幫助政府和公眾做出相應的決策。

4. 請談談您對WebGIS未來發(fā)展的看法和期望。

我認為WebGIS在未來會繼續(xù)發(fā)展壯大。隨著云計算、大數(shù)據(jù)和人工智能等技術的不斷進步，WebGIS將能夠處理更大規(guī)模的地理數(shù)據(jù)、提供更豐富的地理分析功能，并與其他領域的技術進行深度融合。我期望未來的WebGIS能夠更加智能化、個性化，為用戶提供更好的地理信息服務，助力各行各業(yè)的決策和發(fā)展。