提前批算法工程师面试之路
点击蓝色“力扣加加”关注我哟
加个“星标”，带你揭开算法的神秘面纱！
❝这是力扣加加第「13」篇原创文章
❞
作者：宝石 校对&整理：lucifer
vivo（已拿offer）
技术面（30min）
自我介绍 讲实习 讲比赛 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 家庭情况 讲一下实习亮点 有女朋友么 父母同意你去深圳么 讲一下优缺点 常规问题等等
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,多方法 用纸写一下反转链表 说说python shuffle怎么实现的，O(N)时间,O(1)空间 看你计算机专业，知道哈夫曼树吧，w2v有用，你能说说么（我就记得分层softmax了，实在是不会） 说说传统机器学习你都了解哪些？推一下LR，说一下原理 知道kmeans吧，说下迭代过程，簇心随机不好，怎么才能更稳定（类kmeans++） 说说深度学习你都知道哪些模型？我说了LSTM RNN，还没等说推荐的模型。。。 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，又说了下梯度消失 Sigmoid求导是什么？ 了解推荐么，说说都知道啥，嘴贱说了个CF 讲一下Item-CF，怎么计算相似度（用交并，也就是Jaccard距离，速度比cos快），用什么优化呢（倒排索引） 讲讲数据倾斜怎么处理吧？（用key+随机前后缀） 聊一下你这个项目里LDA吧？我直接说这个我用过没细研究（他也认同，说数学原理很复杂） 聊一下你这个项目query title统计特征都提了啥，跟他聊了一下，他和我说了一下他的业务理解 反问 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（就是确认时间 不算面试）
和一面面试官聊的如何 知道他们部门做什么的么 接下来约一下boss面，确认时间 结束
昆仑万维三面（不到二十分钟，压力面）：
上来就问比赛，两个比赛都问了，和第一差距在哪 下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。。 你怎么解决样本不均衡的 kmeans适用于什么情况 python dict怎么用 为什么会产生哈希冲突 python set dict list啥场景用 过拟合有哪些解决方法 牛顿法和拟牛顿法 200w不重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项目 平常刷算法题么，刷多少了 另一个面试官的问题不是压力测试 你希望做什么种类的工作（大概就是这个意思） 没得反问
京东
一面（40min)
❝很好的年轻女面试官
❞
自我介绍 跟我聊了一下，然后说看你挺直率，我就直接说了，你想找推荐，我们是机器学习+组合优化，偏向运筹学，考虑么，（我说只要不是cvnlp，我全要） 考虑那就开始问些问题吧： 你讲讲你的实习，最亮点，给他分析了一波我采样策略。 你知道gbdt和xgboost吧，给我讲讲（疯狂吹逼xgboost） 你知道最大似然估计和最大后验概率估计么，或者挑一个你熟悉的说下（闭着眼睛推LR，啥伯努利分布，似然函数，疯狂扯） 来做个题吧，1000w个数，数范围[-1000, 1000]，写个排序（闭着眼睛桶排） 你能提前来实习么 反问（京东零售部的，技术栈balabala） 复试待安排
二面（30min）
自我介绍 找个比赛说说创新点，你主要做了哪些创新，最后模型为什么用CNN系不用RNN系 由于上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，比如相加减 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） 反问：哪个部门哪个组（零售-技术中台下） 为什么选择京东，京东有什么核心竞争力（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一定很健全，也有实际落地，带来实际效益，面试官非常赞同） 最后手里有啥offer啊 没了
hr面（20min）
小姐姐人很好，迟到了四分钟，上来道歉一波 自我介绍 遇到压力大的时候，比如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 未来如果入职京东，对领导有什么要求呢 你平常有什么学习习惯么 你平常会定期做总结么 反问 当时问应届生入职需要做出啥改变，给小姐姐问懵了，我又补充说比如思想啥的需要有啥改变么，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 啥时候有结果：她也不知道，她拿到的是乱序的面试名单，可能后面会统一安排通知
一点资讯
一面（不到40min）
自我介绍 讲你的论文，这块一直问，问得特别细节，也问了好久，估计面试官比较清楚这块东西。 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 反问： 部门：算法部信息流，和我微博实习的比较类似 技术：做推荐 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 着重问了好久实习 着重问了好久比赛 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，然后疯狂挖实习，问的很深 问如果模型区分不开一些样本，要怎么采样？业界有哪些常用采样策略。我真是懵了。。 问了一堆fm，比如表达式，复杂度，改进复杂度的推导 了解深度学习么，从wide&deep出发疯狂问，有的是真不会，要再复习一下 面试官说了个DCN（深度交叉网络）,我还以为深度卷积神经网络。。。，结果深度交叉网络的细节也给忘了 我主动给介绍了下阿里的DIN和DIEN，他问这模型可以用在新闻推荐场景么（答不可以，因为新闻类实时性比较强balabala。。。不知道对不对） 如果想让你加入一个用户短期兴趣，比如刚发布的新闻打分低，要怎么改，（我记得在YouTube有个说了关于这个，我说加了个时间维度特征，或者时间衰减） 让我讲BN，为什么提出BN（好久没看nn的东西了，直说了个表象，容易收敛，面试官说为了解决输入分布不一致，bn可以拉回来分布，我把这个忘了） 从LR出发问了我sgd，如何改进，说了个momentum，再怎么改进，我说我了解个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+互斥特征捆绑） 怎么分析并解过拟合问题的 算法题：三数之和 反问 部门是推荐策略部 主要场景是百度直播和贴吧推荐 用Python和C++，不用Java
触宝
一面（1h）
自我介绍
数据结构基础
数组和链表区别，应用场景 疯狂问排序算法，最优最坏平均复杂度，稳定排序有哪些（好长时间没复习这个了，答得比较差） 一个剪枝题，口述算法过程，分析时空复杂度 说说面向过程、对象、切片编程的区别（我。。。。。。） 机器学习基础
k可以用肘部法则SSE（误差平方和）和轮廓系数 讲一下你了解哪些分类模型 说说SVM 讲讲id3和c4.5 讲讲xgboost和gbdt 讲讲怎么判断kmeans的k，聚类效果的好坏 讲讲分类，回归，推荐，搜索的评价指标 讲讲lr 和 fm，fm的后续（ffm） 讲讲你知道的各种损失函数 讲讲l1 l2正则，各自的特点 深度学习基础
sgd momentum 利用了历史信息，意味着参数更新方向不仅由当前的梯度决定，也与此前累积的下降方向有关。这使得参数中那些梯度方向变化不大的维度可以加速更新，并减少梯度方向变化较大的维度上的更新幅度。由此产生了加速收敛和减小震荡的效果。 rmsprop 在 Adagrad 中， 问题是学习率逐渐递减至 0，可能导致训练过程提前结束。为了改进这一缺点，可以考虑在计算二阶动量时不累积全部历史梯度，而只关注最近某一时间窗口内的下降梯度。根据此思想有了 RMSprop，采用的指数移动平均公式计算 adam 可以认为是 RMSprop 和 Momentum结合并加了偏差校正，因为初始化是0，有一个向初值的偏移（过多的偏向了 0）。因此，可以对一阶和二阶动量做偏置校正 (bias correction)， 说说deepfm，说说fm在nn中还有哪些（FNN，NFM，AFM） 说说类似l1,l2正则化降低模型过拟合，还有什么别的方法 说一下sgd→adam的过程（下面是面试后简单复盘，本身答的一般） 介绍下梯度消失和梯度爆炸 都有哪些方法解决这两个问题 你了解多目标优化，迁移学习么（不知道） 场景问题
局部哈希计算，高维相近的点低维也相近，但是高维较远的点低维可能也相近，将embedding应设成1维，若担心把远的也算进来可以多设置几个hash函数等等。 让你加一个兴趣类型特征 你要怎么做 如何处理年龄类特征 你了解相似向量快速计算的方法吗（就记得个啥哈希分桶，没做过） 如何判断你模型上线的好坏 给你个nn模型，如何调参，如何修改架构 如何解决冷启动问题 用户侧，物品侧 推荐系统的整体架构 线上推断这部分再具体点怎么实现的 反问
触宝内容推荐（小说） 主要用python 等后续hr通知吧
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，面试官已经直接点破我每一点实际都在做什么） 讨论了一下抽样，作为一个算法工程师如何将抽样导致的得分分布变化给拉回来？ 因为实习模型是FM，详细讲了下FM，讨论了下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相同的要放在一起 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出现的次数（dfs A了） 反问：竟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应用。。。 总之要有工程师顶层思维，不能局限于模型优化啥的。