一点资讯（不到40min）

• 自我介绍
• 讲你的论文，这块一直问，问得特别细节，也问了好久，估计面试官比较清楚这块东西。
• 讲实习，都怎么做的，遇到啥问题，怎么解决。
• 讲一下FM，DeepFM这一系列（我从LR，POLY2，FM，FFM，Wide&Deep，DeepFm说了个遍）
• 做了个算法题，A了
• 反问：
• 部门：算法部信息流，和我微博实习的比较类似
• 技术：做推荐 Java和Scala用的多一些
• 个人感觉像不招人。。。

--------------------------------------------------------------------------------

百度一面 算法（1h）

• 自我介绍
• 介绍实习，然后疯狂挖实习，问的很深
• 问如果模型区分不开一些样本，要怎么采样？业界有哪些常用采样策略。我真是懵了。。
• 问了一堆fm，比如表达式，复杂度，改进复杂度的推导
• 了解深度学习么，从wide&deep出发疯狂问，有的是真不会，要再复习一下
• 面试官说了个DCN（深度交叉网络）,我还以为深度卷积神经网络。。。，结果深度交叉网络的细节也给忘了
• 我主动给介绍了下阿里的DIN和DIEN，他问这模型可以用在新闻推荐场景么（答不可以，因为新闻类实时性比较强balabala。。。不知道对不对）
• 如果想让你加入一个用户短期兴趣，比如刚发布的新闻打分低，要怎么改，（我记得在YouTube有个说了关于这个，我说加了个时间维度特征，或者时间衰减）
• 让我讲BN，为什么提出BN（好久没看nn的东西了，直说了个表象，容易收敛，面试官说为了解决输入分布不一致，bn可以拉回来分布，我把这个忘了）
• 从LR出发问了我sgd，如何改进，说了个momentum，再怎么改进，我说我了解个FTRL
• 说一下boosting bagging ，lgb为什么并行化效率高（答单边梯度抽样+直方图计算+互斥特征捆绑）
• 怎么分析并解过拟合问题的
• 算法题：三数之和
• 反问
  • 部门是推荐策略部
  • 主要场景是百度直播和贴吧推荐
  • 用Python和C++，不用Java