一面
1. 两个链表相加
2. 给定一个数组，其中有多个单词，判断一个给定字符串中是否包含所有的单词。(好像lc见过，知道的老哥说一下是第几题吧)
3. lightgbm为什么好？
4. sql语法树了解吗？
一面面试官问了很多nlp搜索的问题，楼主没啥经验，大部分都没答出来。
二面
1. 过拟合和欠拟合说一下
2. 欠拟合的解决方案
3. 说一下batch normalization
4. 知道layer normalization吗
5. 谈一下你对决策树的理解
6. xgboost为什么好
5. 除了gini指数还能用什么来判断分裂
6. 逻辑回归是什么
7. 逻辑回归怎么分类多类别，不能用softmax
8. nlp了解吗？transfomer讲一下
9. attention里面的QKV都是什么，怎么计算的
10. 本科毕设用了word2vec，谈一下你的理解
11. CBOW怎么选择负样本的，怎么优化的
12. 实习做了CV, 给你一个海量图片数据集和同一个人的多张照片，如何快速从中找到这个人的其他照片？
13. 如果图像分类有百万个class，你会怎么设计模型？
14. 平时怎么调超参数的
15. autoML中知道什么算法
16. 谈一下交叉熵吧，公式怎么写的
17. 交叉熵有什么问题？(楼主回答了可能会无穷大)
18. 知道svm吗，怎么推导的
19. svm的目标函数是凸函数吗？有唯一解吗
最后来做两道题吧
1. 写个归并排序
2. 判断镜像(对称)二叉树
二面面试官真的问了很多深度学习的东西，感觉自己也有挺多没答上来的，不过总体看来算法岗的问题都有迹可循，一些热点的模型和公式也都碰到了。
总的来说面试官还是比较喜欢考察算法的底层实现和基础，看看你自己对每种经典算法的认知。
三面
1. 10个字以内关键词搜索，如何从 一千万个商品（只有标题和长文叙述）中快速检索Top10？
2. 如果商品没有类别呢？
3. 你说用聚类，你会怎么选择K-means的K值呢？（面试官说了几个用来处理大规模聚类的算法，楼主表示完全没听说过）
4. K-means会分类错吗？错了怎么处理？
5. 同近义词的情况怎么处理，词向量一样吗？
6. 如果关键词和所有商品全部用Dense Vector来表征，如何快速匹配最相似的？
7. 你说用桶哈希先匹配10000个广义特征，那么广义特征是怎么选取的呢？
8. 如果商品可以标注，你会标注什么信息？
9. 商品的什么特征是最重要的，你如何提取这些特征来做关键词匹配？
三面问的都是非常偏实际和业务的问题，楼主对nlp基本零基础，推荐算法都是自学的，基本只能靠平时的经验类推来说自己的看法。希望能接到HR的电话吧😂
全部评论
(9) 回帖