面试复盘 | 阿里/腾讯/头条/paypal/快手

阳光穿透心脏的1/2处 2022-09-11 05:09 146阅读 0赞

> 周末愉快！来看几篇面筋涨涨经验~  
>

## 写在前面 ##

本人学渣一枚，春招实习有幸过了几家大厂，在此期间得到了很多帮助，也特意分享一下自己的经验，希望能帮助到有需要的人。

## 阿里 ##

阿里的面试周期最长，最初2月份参加预面试，到正式面试到收offer，经历了2个月。

#### 一面：1h ####

*  面试讲项目
 *  项目中为什么使用lightGBM，比起xgboost的优点是什么
 *  因果词向量的应用场景
 *  tf多个变量如何共享权重
 *  SGD min-SGD的区别
 *  对epcho做shuffle，类似于哪一种优化器
 *  介绍一下优化器
 *  什么情况下不适用动量优化器
 *  WGAN，要保证梯度平滑，使动量优化器容易过拟合，防止梯度突变
 *  介绍一下生成任务的做法
 *  用auto-regression的模型
 *  beam-search，如何在做生成任务的时候，生成多个结果并且保证结果的多样性
 *  非自回归的模型如何一次性生成整个句子
 *  做后序遍历，判断一个数组是否满足后序遍历
 *  机器翻译的最新论文

#### 二面：1h ####

部门leader面，主要问项目，项目难点在哪里

*  介绍attention 和self.attention区别
 *  算法题目：
 *   *  给定x种硬币，凑齐y元
     *  给2种硬币，非均匀，计算正反面的概率，随机选1枚，抛100次，重复1000次，如何计算2种硬币的概率

#### 阿里3面（交叉面） ####

*  只能只用两个api ：getcolour O（1） --获取指定位置的颜色 Swap：ij 交换位置
 *  lr模型的输入和输出分别是什么
 *  lr对商品进行点击进行概率预测，输入需要做一些什么处理
 *  Lr---对商品，估计商品点击的概率--预测
 *  什么情况下需要将连续特征离散化--- One-hot
 *  lr按照分布需要将特征如何进行离散化
 *  树模型如何处理离散型特征
 *  lr模型---根据做特征交叉，为什么
 *  lr中如何缓解过拟合
 *  减轻特征工程的手段，--如何构建更多的特征
 *  coding题目：黑盒子，n是3的倍数个球，3种颜色，n个球排成一排，乱序 rgb

## 腾讯微信 ##

#### 一面挂 ####

*  学习率/优化器（adam）/bach-normalzation/➕res+learn-rate
 *  一种可行的方案是用拒绝推断
 *  一种方案是用smote
 *  自我介绍+询问简历内容
 *  词向量的方法
 *  正负样本不均衡的问题，如何解决
 *  介绍bert；bert如何使用transformer的encoding模块-bert的输入和transformer有什么不同
 *  bert有什么缺点
 *  XGboost和GBDT
 *  xgboost做树的分类的时候是怎么做的--
 *  做过哪些nlp深度学习的任务
 *  深度学习模型在训练过程中如何加速收敛
 *  防止过拟合
 *  mse和交叉熵的区别----为什么用交叉熵
 *  一对父母，已知一个人是男孩，另一个人是男孩的概率
 *  给100亿个数据，怎么找到中位数

#### 腾讯PCG ####

#### pgc一面：（30min） ####

*  主要聊项目

#### pcg二面： ####

*  模型学习中，正负样本的训练方式不同有什么影响
 *  引入词向量的相似性对于结果有什么不好的影响
 *  面试题目：给两个球，求解最坏情况下走多少步（采用贪心的思想）

#### pcg3面：（交叉面） ####

*  主要问项目
 *  相似性匹配的常用算法
 *  bert

## 头条 ##

算法岗挂，后来大数据岗通过面试，主要在这边记录算法岗的面试经验

#### 一面 ####

*  问了bert ，transformer
 *  用梯度下降的思路求开根号
 *  写交叉熵公式
 *  防止过拟合的方法
 *  transformer的中的attention机制，其中self-attention和encoder-decoder attention之间的关系
 *  最小二乘法的推导公式，最小二乘究竟是什么，和极大似然的关系
 *  在词向量中很稀疏和出现未登录词，如何处理
 *  线性和非线性存在什么关系之间的关系
 *  logistic和svm之间的区别---svm自带正则化
 *  依存句法如何实现---涉及crf-序列标注

## 快手 ##

nlp和风控工程师

#### 一面 ####

*  问项目，着重问了第一个项目
 *  然后两道算法题，bugfree
 *  问了batch-normalization和layer-normalization的区别，然后问在inference线上模型如何处理
 *  FNN-中有没有隐层
 *  inference-batch-nor---针对一条输入

#### 二面 ####

*  position位置，信息
 *  transformer为什么用+不用concat
 *  Drop-- 实现方式上是否会有差别----train 和test上有什么区别
 *  train会有一定概率抛弃，test会保留全部，train会除以概率
 *  dropout 和L1 和l2是什么关系，有什么异同
 *  做题--两种方法实现

## paypal ##

数据科学家岗位

#### 一面二面同时： ####

*  项目+场景题
 *  如何防止过拟合，dropout为什么可以防止过拟合
 *  sql的题目
 *  具体问项目，问具体的实现策略

#### 三面 ####

*  acc recall f1
 *  变量与target相关性的描述
 *  特征组合
 *  特征重要性判断
 *  模型好坏的评估
 *  分数映射是否符合正态分布