7.08  投递

7.20 一面

7.24 二面

7.28 三面

8.01 测评

面试岗位：深圳-机器学习/数据挖掘/自然语言处理工程师

一面（1h 30m）：

1. 两道代码题：（1）快速排序（2）剑指offer42：DP + 空间复杂度O(n)到O(1)的优化
2. 机器学习基础：
3. LR：大概讲讲原理（随意讲）
4. SVM：大概讲讲原理，SVM是否会求出局部最优解答（我回答的不会），为什么不会（也就是为什么局部最优就是全局最优，我回答的是因为凸二次规划问题，目标函数是凸函数），核函数的思想，怎么求解SVM（SMO，讲了一下大概的思想）
5. 决策树：CART，ID3，C4.5的区别，信息增益比那种情况比信息增益好
6. Xgboost：优点，默认值处理（这里面试官同意我看两分钟原文，结果还是没有回答好）
7. 项目论文：元学习，图神经网络
8. 场景A：一个大的数据集A，如何使用元学习和迁移学习（上一段提到了），来帮助学一个数据稀疏B的数据集。（讲了一下元学习设定和迁移学习方法，这里面试官不是很了解元学习，所以有些分歧）
9. 场景A+：B 数据集不仅样本系数，而且特征稀疏。（我已经忘了场景，以为只在 B 上操作，没有回答得很好），询问面试官，他们解决方法是在 A 上做特征学习。
10. 反问

二面（2h）：

1. 全程项目论文。
2. 面试官对元学习和图神经网络都有了解。元学习面试官熟悉原型网络，我给他讲了 MAML 的思想。
3. 图神经网络和图嵌入的联系和区别。讲讲GCN，GAT，GraphSAGE。
4. 既然做过图神经网络（讲讲DeepWalk，Node2Vec，Line）
5. 代码1：图数据的数据结构（邻接表），3个方法（初始化，加边，给定节点返回邻居节点）代码1+：给定根节点，返回从这个节点出发的随机游走（递归写法出了点问题，面试官指出不注重效率细节，随机游走的结束处理也有问题====没手写过这个啊）
6. 讲了一下他们部门的业务
7. 为什么投深圳（不投北京，上海）
8. 反问

三面（40m）：

1. 论文，项目，贡献，第几作者，想法来源，值得提高的地方
2. 熟悉Linux吗
3. 用过Hadoop之类的吗
4. 个人优点
5. 个人缺点
6. 对百度的看法
7. 对BAT以及字节等公司的看法
8. 讲了一下他们部门的业务
9. 为什么投深圳（不投北京，上海）
10. 反问

总结：总的来说，百度面试体验非常好，都会提前预约时间面试，基本都是问项目论文，以及基本的机器学习知识。一面估计对我的领域不熟悉，因此主要是基础的机器学习知识，以及场景题。二面对我的领域很了解，因此对论文问的很细，二面的代码题也很与众不同，让我有点措手不及（随机游走如何结束，参数设置都没做好，而且也没有考虑效率细节等），最后递归代码还出了点小问题（但是面试官全程耐心，等我调试，还说可以求助他，但是他等我自己想，免得打扰思路）。三面面试官也很好，我反问如果通过面试，到入职之前可以哪些准备（最好实习，已经3个特别诚恳的建议）。