- 作者：宝石
- 校对 & 整顿：lucifer
vivo（已拿 offer）
技术面（30min）
- 自我介绍
- 讲实习
- 讲较量
- 问了些大数据的问题
- spark transform 和 action 的区别
- 手撕了个归并排序
hr 面（30min，技术只有一面）
- 自我介绍
- 家庭状况
- 讲一下实习亮点
- 有女朋友么
- 父母批准你去深圳么
- 讲一下优缺点
- 惯例问题等等
昆仑万维（已拿 offer）
一面（1h)：
- 上来自我介绍
- 讲一下判断回文链表的思路, 多办法
- 用纸写一下反转链表
- 说说 python shuffle 怎么实现的，O(N) 工夫,O(1) 空间
- 看你计算机专业，晓得哈夫曼树吧，w2v 有用，你能说说么（我就记得分层 softmax 了，切实是不会）
- 说说传统机器学习你都理解哪些？推一下 LR，说一下原理
- 晓得 kmeans 吧，说下迭代过程，簇心随机不好，怎么能力更稳固（类 kmeans++）
- 说说深度学习你都晓得哪些模型？我说了 LSTM RNN，还没等说举荐的模型。。。
- 讲一下 LSTM 吧，门都是怎么迭代的
- 各个激活函数的优缺点，sigmoid relu leaklyrelu tanh，又说了下梯度隐没
- Sigmoid 求导是什么？
- 理解举荐么，说说都晓得啥，嘴贱说了个 CF
- 讲一下 Item-CF，怎么计算类似度（用交并，也就是 Jaccard 间隔，速度比 cos 快），用什么优化呢（倒排索引）
- 讲讲数据歪斜怎么解决吧？（用 key+ 随机前后缀）
- 聊一下你这个我的项目里 LDA 吧？我间接说这个我用过没细钻研（他也认同，说数学原理很简单）
- 聊一下你这个我的项目 query title 统计特色都提了啥，跟他聊了一下，他和我说了一下他的业务了解
- 反诘
- 做什么的（啥都做，业务很广。。。）
- 用哪些技术（啥都用，技术栈很广。。。）
昆仑万维二面（就是确认工夫 不算面试）
- 和一面面试官聊的如何
- 晓得他们部门做什么的么
- 接下来约一下 boss 面，确认工夫
- 完结
昆仑万维三面（不到二十分钟，压力面）：
- 上来就问较量，两个较量都问了，和第一差距在哪
- 上面问题都是快问快答，都没深问，问题可能记不全了：
- 说下你实习吧，没说几句。。
- 你怎么解决样本不平衡的
- kmeans 实用于什么状况
- python dict 怎么用
- 为什么会产生哈希抵触
- python set dict list 啥场景用
- 过拟合有哪些解决办法
- 牛顿法和拟牛顿法
- 200w 不反复单词一口气放内存中，怎么放最省内存（不会）
- 你除了学习之外还做什么我的项目
- 平时刷算法题么，刷多少了
- 另一个面试官的问题不是压力测试
- 你心愿做什么品种的工作（大略就是这个意思）
- 没得反诘
京东
一面（40min)
很好的年老女面试官
- 自我介绍
- 跟我聊了一下，而后说看你挺直率，我就间接说了，你想找举荐，咱们是机器学习 + 组合优化，偏差运筹学，思考么，（我说只有不是 cvnlp，我全要）
- 思考那就开始问些问题吧：
- 你讲讲你的实习，最亮点，给他剖析了一波我采样策略。
- 你晓得 gbdt 和 xgboost 吧，给我讲讲（疯狂吹逼 xgboost）
- 你晓得最大似然预计和最大后验概率预计么，或者挑一个你相熟的说下（闭着眼睛推 LR，啥伯努利散布，似然函数，疯狂扯）
- 来做个题吧，1000w 个数，数范畴 [-1000, 1000]，写个排序（闭着眼睛桶排）
- 你能提前来实习么
- 反诘（京东批发部的，技术栈 balabala）
- 复试待安顿
二面（30min）
- 自我介绍
- 找个较量说说翻新点，你次要做了哪些翻新，最初模型为什么用 CNN 系不必 RNN 系
- 因为下面我说我工作有训练词向量了，让我讲 word2vec 的架构，和一些细节问题
- 为什么 w2v 向量在语义空间内有很好的数学性质，比方相加减
- 数学问题：M 个样本有放回采样 N 次，问某条样本一次没被采中概率
- 给你均值方差，让你利用正态分布随机生成 1000 个点（不能用库，说的不是很好）
- 反诘：哪个部门哪个组（批发 - 技术中台下）
- 为什么抉择京东，京东有什么外围竞争力（疯狂扯，我说我不太看好那些不能落地的，因为 jd 是电商，整个算法流程系统化工程化肯定很健全，也有理论落地，带来理论效益，面试官十分同意）
- 最初手里有啥 offer 啊
- 没了
hr 面（20min）
- 小姐姐人很好，早退了四分钟，上来赔罪一波
- 自我介绍
- 遇到压力大的时候，比方在实习问题解决不了了，你会怎么办
- 与 mentor 产生意见分歧要怎么做
- 将来如果入职京东，对领导有什么要求呢
- 你平时有什么学习习惯么
- 你平时会定期做总结么
-
反诘
- 过后问应届生入职须要做出啥扭转，给小姐姐问懵了，我又补充说比方思维啥的须要有啥扭转么，她给我讲了五六分钟，说的很直白，没啥官腔，说在学校如何如何，你来公司了又会如何如何
- 啥时候有后果：她也不晓得，她拿到的是乱序的面试名单，可能前面会统一安排告诉
一点资讯
一面（不到 40min）
- 自我介绍
- 讲你的论文，这块始终问，问得特地细节，也问了良久，预计面试官比较清楚这块货色。
- 讲实习，都怎么做的，遇到啥问题，怎么解决。
- 讲一下 FM，DeepFM 这一系列（我从 LR，POLY2，FM，FFM，Wide&Deep，DeepFm 说了个遍）
- 做了个算法题，A 了
- 反诘：
- 部门：算法部信息流，和我微博实习的比拟相似
- 技术：做举荐 Java 和 Scala 用的多一些
- 个人感觉像不招人。。。
大华
一面 – 大数据工程师（数据挖掘）（不到 40min）
- 面试官很有礼貌
- 自我介绍
- 着重问了良久实习
- 着重问了良久较量
- linux 查指定文件前缀有哪些命令
- 讲一下 hive 和 hadoop 关系
- hadoop mapreduce 执行流程
- java 类和对象关系
百度
一面（1h）
- 自我介绍
- 介绍实习，而后疯狂挖实习，问的很深
- 问如果模型辨别不开一些样本，要怎么采样？业界有哪些罕用采样策略。我真是懵了。。
- 问了一堆 fm，比方表达式，复杂度，改良复杂度的推导
- 理解深度学习么，从 wide&deep 登程疯狂问，有的是真不会，要再温习一下
- 面试官说了个 DCN（深度穿插网络）, 我还认为深度卷积神经网络。。。，后果深度穿插网络的细节也给忘了
- 我被动给介绍了下阿里的 DIN 和 DIEN，他问这模型能够用在新闻举荐场景么（答不能够，因为新闻类实时性比拟强 balabala。。。不晓得对不对）
- 如果想让你退出一个用户短期趣味，比方刚公布的新闻打分低，要怎么改，（我记得在 YouTube 有个说了对于这个，我说加了个工夫维度特色，或者工夫衰减）
- 让我讲 BN，为什么提出 BN（好久没看 nn 的货色了，直说了个表象，容易收敛，面试官说为了解决输出散布不统一，bn 能够拉回来散布，我把这个忘了）
- 从 LR 登程问了我 sgd，如何改良，说了个 momentum，再怎么改良，我说我理解个 FTRL
- 说一下 boosting bagging，lgb 为什么并行化效率高（答单边梯度抽样 + 直方图计算 + 互斥特色捆绑）
- 怎么剖析并解过拟合问题的
- 算法题：三数之和
-
反诘
- 部门是举荐策略部
- 次要场景是百度直播和贴吧举荐
- 用 Python 和 C ++，不必 Java
触宝
一面（1h）
- 自我介绍
-
数据结构根底
- 数组和链表区别，利用场景
- 疯狂问排序算法，最优最坏均匀复杂度，稳固排序有哪些（好长时间没温习这个了，答得比拟差）
- 一个剪枝题，口述算法过程，剖析时空复杂度
- 说说面向过程、对象、切片编程的区别（我。。。。。。）
-
机器学习根底
- 讲一下你理解哪些分类模型
- 说说 SVM
- 讲讲 id3 和 c4.5
- 讲讲 xgboost 和 gbdt
-
讲讲怎么判断 kmeans 的 k，聚类成果的好坏
- k 能够用肘部法令 SSE（误差平方和）和轮廓系数
- 讲讲分类，回归，举荐，搜寻的评估指标
- 讲讲 lr 和 fm，fm 的后续（ffm）
- 讲讲你晓得的各种损失函数
- 讲讲 l1 l2 正则，各自的特点
-
深度学习根底
- 说说 deepfm，说说 fm 在 nn 中还有哪些（FNN，NFM，AFM）
- 说说相似 l1,l2 正则化升高模型过拟合，还有什么别的办法
-
说一下 sgd→adam 的过程（上面是面试后简略复盘，自身答的个别）
- sgd
- momentum 利用了历史信息，意味着参数更新方向不仅由以后的梯度决定，也与此前累积的降落方向无关。这使得参数中那些梯度方向变动不大的维度能够减速更新，并缩小梯度方向变动较大的维度上的更新幅度。由此产生了减速收敛和减小震荡的成果。
- rmsprop 在 Adagrad 中，问题是学习率逐步递加至 0，可能导致训练过程提前结束。为了改良这一毛病，能够思考在计算二阶动量时不累积全副历史梯度，而只关注最近某一时间窗口内的降落梯度。依据此思维有了 RMSprop，采纳的指数挪动均匀公式计算
- adam 能够认为是 RMSprop 和 Momentum 联合并加了偏差校对，因为初始化是 0，有一个向初值的偏移（过多的偏差了 0）。因而，能够对一阶和二阶动量做偏置校对 (bias correction)，
- 介绍下梯度隐没和梯度爆炸
- 都有哪些办法解决这两个问题
- 你理解多指标优化，迁徙学习么（不晓得）
-
场景问题
- 让你加一个趣味类型特色 你要怎么做
- 如何解决年龄类特色
-
你理解类似向量疾速计算的办法吗（就记得个啥哈希分桶，没做过）
- 部分哈希计算，高维相近的点低维也相近，然而高维较远的点低维可能也相近，将 embedding 应设成 1 维，若放心把远的也算进来能够多设置几个 hash 函数等等。
- 如何判断你模型上线的好坏
- 给你个 nn 模型，如何调参，如何批改架构
- 如何解决冷启动问题 用户侧，物品侧
- 举荐零碎的整体架构
- 线上推断这部分再具体点怎么实现的
-
反诘
- 触宝内容举荐（小说）
- 次要用 python
- 等后续 hr 告诉吧
二面（45min）
面试官人很好，和善可亲
- 自我介绍
- 讲下实习做了哪些优化，问了些问题（我都没介绍实习，面试官曾经间接点破我每一点理论都在做什么）
- 探讨了一下抽样，作为一个算法工程师如何将抽样导致的得分散布变动给拉回来？
- 因为实习模型是 FM，具体讲了下 FM，探讨了下 FM 的泛化性
- 用的什么优化算法，顺便介绍下 sgd 后续的优化，sgd→momentun→rmsprop→adam，一面问过的，复盘过
- 实习有没有除错过导致线上有点问题（还真有。。。）
- hadoop shuffle 干啥的，为啥 key 雷同的要放在一起
- python 深拷贝和浅拷贝的区别
- linux 替换文件中所有的 a，我说的 awk 或者 tr
- 算法题：给两个字符串 S 和 T，计算 S 的子序列中 T 呈现的次数（dfs A 了）
- 反诘：居然和一面面试官不是一个部门。。。二面面试官给我介绍了算法在他们公司都有哪些利用。。。
- 总之要有工程师顶层思维，不能局限于模型优化啥的。
关注公众号力扣加加，致力用清晰直白的语言还原解题思路，并且有大量图解，手把手教你辨认套路，高效刷题。
公众号【力扣加加】
知乎专栏【Lucifer – 知乎】
点关注，不迷路！