背景信息
北航本硕，非科班
对搜索推荐比较感兴趣，平时看的文章比较多，所以聊的比较偏这一块
大四时一段五个月的nlp方向实习，主要做基础embedding
7.28一面
主要是问之前实习经历
涉及的模型/算法 包括
word2vec、lda/plsa、ELMo、n-gram比较基础
fm、gbdt+lr、ffm/afm/deepfm这些特征模型
爬虫、qps多少
hmm分词、前后向最大匹配
字典树
算法题：给定一个数组和一个整数k，判断数组能否被分为多个和为k的子数组
P.S. 回溯法，写得不好，很乱，以为没后续了
7.28 一面十分钟后。。二面
涉及到我自己的项目，问到了
RL基本部件、Q-learning、policy gradient
double DQN、priority reply、reply buffer
还有一些比较基础的内容：
过拟合/欠拟合
xgboost和gbdt的区别（答得不好，没准备过）
id3信息增益、c4.5信息增益比、c&rt的gini系数
C&RT回归树
数据不平衡，auc和pr曲线如何选（这个选roc，pr相对来说不稳）
auc和pr在推荐之中的偏好（auc偏向于降低推荐用户不喜欢的内容，pr偏向于提高推荐用户喜欢的内容）
协同过滤、冷启动、推荐的多样性（基于用户）
ridge regression和lasso regression
L2正则化的表示定理、kernel
LSTM
Kmeans、GMM、pLSA的EM算法
svd、pca、lda
伪随机数线性同余
BERT（我只用过ELMo）
函数变换采样、重要性重采样（RL的off-policy的思想）、接受拒绝采样
gibbs sampling、马氏链的细致平稳条件
算法题
1、股票价格 leetcode那个
2、给定一个数组，拼接一个最大的数（会溢出，用字符串做）
P.S. 这一面问了好多基础的ML算法，其实都不难，细心复习一遍就可以了，我答的比较磕巴
7.31技术终面
一直以为字节是四面，hr打电话直接通知是技术终面了，给我紧张的要死🐶，那天下午连面腾讯、字节跳动、百度三家，心累了
三面应该是交叉面，面试官不太懂我做的方向，不过人很好，看二面同学问的很详细了，就重复强调问了下细节，这里就不细展开了
算法题
城市模型leetcode 807，给水平、侧面的视图（最高高度），问最大体积是多少
没做过啊，O(n^2)去取交叉最小值
问可不可以优化
可以先做排序，然后每次去除最小的一行或一列O(nlgn)
P.S. 答得还行
我是在上周才刚刚开始投简历，一看这各家提前批时间都快过了，以为应该没有位置了，就没太报希望，昨天刚收意向书，被认可的感觉真不错🐶
大家一起加油，为接下来的百度、猿辅导、拼多多许愿
全部评论
(16) 回帖