↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

Datawhale干货

作者：阿毛冲冲冲，来源：NewBeeNLP（牛客网）

写在前面

三月面试了好几轮，写个帖子记录一下问过的问题，为接下来的其他公司的面试查漏补缺一下，也给大家一些准备的方向。

腾讯

一面（凉）

• 自我介绍

• 问做过的项目，同时在过程中穿插用过的模型的问题，比如

• • word2vec两个模型的损失函数是什么

  • cbow和skipgram的比较，为什么skipgram会更好，哪个的计算复杂度高

  • 为什么使用随机森林

  • 决策树的分裂方式是什么，根据什么变量来决定分裂变量

• 手撕代码

• • 给一个数N，k，每一轮可以进行两种操作的其中一种：①所有的数拆分成两个更小的数；②所有的数-1。已知拆分操作只能进行k次，问 最少需要多少次把所有数都消去

• 给一串数列，这串数列有正有负，但是总和为0。每个数xi代表一个村庄，正的表示村庄想卖出xi份水果，负的表示想买入xi份水果。两相邻村庄间的距离是相同的，单位距离运送一份水果的运费均相同，每份都是k。问，把每个村庄的需求和供给都解决掉需要的最少运送费是多少？

这是第一次面试，凉得很彻底，因为很多算法细节都没有好好复习，而且代码写的也不够整洁快速

阿里蚂蚁

一面

面我的是多方安全团队，问了很久他们做的东西，具体还是不太懂，大概意思就是法规限制了我们获取的数据规模和维度，要用有限的数据进行风险评估（比如银行贷款啊之类的）

• 问了我们硕士是授课型还是论文型，问了我们现在专业学习的东西和机器学习相关的部分有哪些，

• 然后问了我做词向量的项目，问优化方向之类的，有没有根据文本特征做定制化的算法调整

• 然后问了xgboost和randomforest的区别。什么场景表现会更好之类的。

• 然后问了一道逻辑题：两个人抽100个球，你是先手，每次两个人只能取1-6个球，问怎么抽才能使得你是最后一个把球抽完的

• 问了一道挺基础的算法：找出有序数组中位数，想优化时间复杂度。

• 感觉不是很匹配，面试官的意思是想要的是那种潜力型，会融合很多算法，开发新算法的人才，我太菜了

美团

美团的笔试还是做的挺差的，五题只做了两题，两题都只有27%。。

一面

• word2vec

• 训练过程训练原理

• 训练的损失函数

• 我看到你做多分类情感分析多分类问题的损失函数是什么

• Soft max的计算公式是什么？为什么使用指数函数？

• LSTM的信息传递机制是什么？他和RNN相比有什么优势。

• Bert

• 他和普通的Word2Vec模型相比优势在哪里

• 他为什么会有这样的优势(优势，指的是他能生成语境化的向量

• Bert中的 transformer

• attention multihead attention

• 注意力机制的运行过程是什么样的？

• 注意力机制中对于每一个词的分数会进行标准化，请问这一步的目的是什么

• 你刚刚提到batch normalization

• BN的作用是什么？它有四个公式，每一个公式分别是什么，有什么各自的作用

• 我对于每一个Batch 都计算出来了他对应的均值跟方差这些，它们相互独立的吗？还是会相互影响。

• 我看你大多数是自然语言处理的事件，你有做过计算机视觉相关的任务吗？回答：有机器学习课上尝试手写卷积神经网络的代码

• 卷积神经网络的权重是怎么更新的，平均池化和最大持化的反向传播是怎么运作的？

• 没有手撕代码，但是让我直接实现kmeans的伪代码，不用编译

总结来说，美团一面问的都很基础的深度学习问题，都答出来了，因为准备过，所以说的时候比较有自信，然后挺流畅的。面试官就说觉得我基础知识挺扎实的挺好的（这个小哥人很nice，也是第一个这么夸我的面试官，挺受鼓舞的，很谢谢他

二面

大部分问题和一面的很接近，但是面试官好像是一面面试官的老大，会从更多维度来问你

• word2vec训练过程的最后一步有什么办法可以优化softmax的计算，我没答上来，他就告诉我说是指数函数的计算会用查表来近似代替

• 你大部分用的神经网络都是比较浅层的，有没有试过更深的神经网络

• 有做过图像方面的深度学习项目吗

• 有没有在实践中应用过transformer

最后面试官的评价是基础知识比较好，但是实践经历和业界场景有差距emmm，然后面试才刚刚开始，没这么快能给你答复（好的我知道我是备胎了55555 美团是我很想去的公司，我面试的部门是做美团外卖的推荐广告业务的，在他们场景中会用到很多的深度学习的模型（图像+nlp）来提取特征和做推荐预估, 而且关注了美团的技术博客，他们做的很多东西我都觉得和自己做过的项目很match。