上周面了抖音的直播推荐3面 + 评论方向2面 + hr面， hr说是都通过了，等意向书ing，收到意向书了就更面经~先占个坑
更新，拿到Data-抖音 算法工程师的意向书了，来给大家发一下面经。
字节抖音推荐：
一二面
介绍之前在字节日常实习做的项目
算法：1. 给定字符矩阵，单词，判断矩阵里有没有该一条路径组成该单词 2. 实现k-means
CART树，n个数据d维特征，不剪枝，复杂度是？O(N*M*D), N是sample的大小，M是feature的数量，D是树的深度。cart生长时，把所有feature内的值都作为分裂候选，并为其计算一个评价指标（信息增益、增益比率、gini系数等），所以每层是O(N*M)，D层的树就是O(N*M*D)
Word2vec的原理，分层softmax怎么训练？
Lstm，和rnn什么不同？
逻辑回归推导
L1正则为什么可以稀疏解，从逻辑回归的公式里怎么解释？梯度下降时L1总是在大于0时减去一个正数，小于0时减去一个负数，并且增减的量是固定的，因此会得到稀疏解。L2增减的值与w本身有关，当其比较小的时候惩罚力度很小，因此只能接近0不能达到0.
核函数是啥，常用的核函数有哪些？低维空间有时数据判别性很差，当映射到高维空间后更有力于分类，而很多时候都会用到内积，高维内积不好计算甚至不存在，所以引入核函数，可以在低维空间直接计算映射后的内积，而不用对低维向量进行映射。
1) 线性：
2) 多项式：
3) Radial basis function：
4) Sigmoid：
什么样的函数可以作为核函数？K是有效的核函数 ==> 核函数矩阵K（所有样例两两计算核函数）是对称半正定的。
为什么svm可以用核函数，lr不可以？理论上可以，在加L2正则的逻辑回归上，w可以表示为输入x的加权和，就可以表示成点积的形式，从而使用核函数。而平时不用主要原因是1.逻辑回归本身处理的都是些高维稀疏的问题 2.计算时逻辑回归在优化参数时所有样本点都参与了贡献，svm则只取离分离超平面最近的支持向量样本。导致使用核函数的逻辑回归计算量增大。
Svm为什么可以得到稀疏解？
推荐系统里怎么防止单一性推荐？或者说怎么提高推荐的多样性，怎么衡量多样性？
要以某个真实的指标为准绳去优化多样性，因为多样性难以量化，多样性对不同用户的需求也不一样，所以要在优化多样性的时候看目标指标有无提升。
衡量：其他相关指标、硬指标，比如类别分布占比或相似度衡量，用户反馈，每次推荐可以把item的向量表示计算距离作为多样性表示。
做法：1.经验规则：设置规则，比如每x次推荐里至少有y个种类的内容，对已经推荐的tag后面减少其比例，接着abtest看点击时长有无增加，用户负反馈有无增加。 2.用更多的召回渠道，召回尽可能多样的内容。仅是有可能有效，因为也没改变点击预估的逻辑。 3.建立模型去做，a.在预测时类别种类比item少很多，因此可以获得各种类别组合，训练一个模型，在一次推荐时用这个模型预测我要推荐多少类item，每类几个，然后再根据点击预估去拿到相应的推荐内容。 b.对user历史刷的item建模估计user对多样性的需求，rerank的时候考虑进去。
了解哪些聚类算法？
抖音推荐3面：
算法题：一个单链表，奇数位升序，偶数位降序，输出排序后的单链表。（写了个归并，拆成两个单链表并且把偶数位做头插翻转过来，再归并到一起。）
写一下lstm公式，图画一下，讲解下
为什么Ct用tanh激活，tanh怎么写，导数是啥
熟悉什么优化工具，写一下adam, Adam为啥好，哪里好
Sgd怎么逃离鞍点？
对attention有哪些了解？有哪些类型的？（s2s，self-attention，multihead，transformer-XL，reformer，gcn）
直播推荐里，有些擦边球，色情内容，评论很多，导致被推荐的多，要怎么解决？
你的背景是nlp，对做推荐有什么想法吗？怎么考虑的
抖音评论1,2面
算法题：1.输入二维0/1矩阵，输出同大小的，每个位置代表输入矩阵里距离0的最近距离（bfs）
2.两个有序数组，求topk（双指针），如果是m个数组求topk呢？（优先队列，o（klogm））
如何构建一个评论色情分类的系统？ 数据收集（迭代方式，字典/经验初始化，各种召回方法），模型训练（针对抖音评论的特点要在词表上做些修改。还有数据不平衡的问题。可以引入多任务，同时预测评论点赞、点踩数），模型评测（为什么用f值和auc）
BERT介绍，为什么它好用？（1.数据大 2.网络深 3.双向 4.方便）
A/B实验怎么做？
模型太大，线上服务量太大扛不住怎么办？模型剪裁，蒸馏。从评论的场景来说，可以做归一化+cache
模型蒸馏是什么？为什么要用蒸馏不直接用标注数据去训练？
多语场景下BERT有哪些要改进的吗？
后面评论组问的基础比较少，都是业务场景的问题，给你一个问题让你想解决方案，尽可能的全面，基本都是开放性的，答的差不多就行。
感觉几轮面试表现都比较好，拿到提前批offer保底，秋招心态就好多了。
祝大家也都拿到称心如意的offer哈，同时帮抖音发个广告，虽然提前批结束了，但是还可以投可以面。
字节跳动抖音算法团队-2021届校招提前批
部门直推，提前批收尾面试，短视频算法团队等你来！
【提前批投递方式】
发送简历到dataieshr@bytedance.com，亦有复捞机会！
【部门介绍】
字节跳动短视频算法团队研发支持包括抖音短视频、抖音火山版等多款备受欢迎的知名App，截至2020年1月，抖音DAU已超过4亿。
在这里你可以获得业内超一流的算法场景实践，在数亿级DAU产品上参与解决工业界实际问题，深入研究、极致优化；同时参与高速发展的业务产品，共同搭建更高水平的短视频推荐系统和机器学习研发团队。火箭已经起飞，等你来！
想了解部门更多请点击http://t.cn/A6LigBkg
【提前批四大优势】
稳：提前批投递结果不影响秋招，相当于有两次投递机会；
快：处理速度更快，流程高效；2019年提前批数据显示，从投递简历到确认录用平均仅需11天；
早：最早6月底就可以发放offer意向书，提前结束秋招，安心过暑假；
多：针对21届的研发类岗位首次开放投递，HC多，机会多。
【提前批流程】
简历筛选—技术面试—OFFER
部门直推，提前批收尾面试，短视频算法团队等你来！
【提前批投递方式】
发送简历到dataieshr@bytedance.com，亦有复捞机会！
【部门介绍】
字节跳动短视频算法团队研发支持包括抖音短视频、抖音火山版等多款备受欢迎的知名App，截至2020年1月，抖音DAU已超过4亿。
在这里你可以获得业内超一流的算法场景实践，在数亿级DAU产品上参与解决工业界实际问题，深入研究、极致优化；同时参与高速发展的业务产品，共同搭建更高水平的短视频推荐系统和机器学习研发团队。火箭已经起飞，等你来！
想了解部门更多请点击http://t.cn/A6LigBkg
【提前批四大优势】
稳：提前批投递结果不影响秋招，相当于有两次投递机会；
快：处理速度更快，流程高效；2019年提前批数据显示，从投递简历到确认录用平均仅需11天；
早：最早6月底就可以发放offer意向书，提前结束秋招，安心过暑假；
多：针对21届的研发类岗位首次开放投递，HC多，机会多。
【提前批流程】
简历筛选—技术面试—OFFER
全部评论
(13) 回帖