本人985本硕，一段推荐算法实习经历，外带一些比赛经历（天池竞赛等），求职意向推荐算法工程师，这里小小的总结一下目前为止秋招的面试
【vivo】hr面挂
投的提前批，六月份就面试了，当了炮灰
一面：广告推荐算法（互联网方向）
可能因为笔试成绩不好，上来问栈的特性
写归并排序 没写出来
recall@50是什么
deepwalk 原理
ytbdnn的样本是什么，为什么把视频向量放入fassi库
参数学习方法 随机梯度下降
hr面：
1.自我介绍 2.讲一下实习经历，实习了多久，离职的原因是什么（随口问）
3.实习中有没有具体的业务 4.实习中比较沮丧的事
5.实习中比较有成就感的事 6.实习中如果跟同事有冲突，怎么解决
7.本科不是计算机，后来读了计算机，是自己的选择吗？ 8.自己的职业规划
9.期望工作城市 10.期望薪资
本来想婉转回答，结果被追问自己的期望薪资，说了25-30w
【shopee】一面挂
shopee算是秋招面的比较早的一家了，有点吃亏，很多问题回答的不好，一面凉凉。通过这次面试让我知道了很多短板，后面去补充了很多知识
面试之前听说一面只有算法题，项目看都没看结果面试问了一堆项目，真实的哭了
1.天池竞赛为什么用矩阵分解做召回，有没有了解其他召回方法，有没有数据清洗
面试官提到矩阵分解会偏向交互多的物品和用户，因此要去掉交互多的物品和用户，对他们用别的召回方式。
2.实习中用到了KNN，详细介绍一下KNN原理
好像说的不好，我主要在介绍KNN的大概流程，面试官追问KNN的关键点一是距离的计算，有哪些距离，欧式和余弦，二者的区别和联系，二是k值的选择，三是时间复杂度，我说了是用类似分层的形式。
3.YoutubeDNN中怎么计算用户向量和视频向量的，loss function怎么设计。
4.数据结构题
a.100亿的100长度的String字符串，按照出现次数最多统计topK个字符串
一个String最多占100B，100亿个的数据量就是1000GB，可能涉及的String个数较多，因此采用分治+hashmap+最小堆。先用hash算法将字符串分到1000个小文件，每个文件1GB大小，且相同的字符串保证分到同一个文件中，在每个子文件进行hashmap计数，统计出现次数，使用TopK的最小堆，选出TopK个字符串。这样我们可以得到1000个TopK字符串，对1000个TopK再次求出最终的TopK，这里用分治思想或最小堆均可。
统计次数需要aO(m)，m为1GB，a为1000个文件，堆排序为mO(logk)，归并后进一步堆排序为1000kO(logk)，时间复杂度为O(m)+mO(logk)。
b.一个链表的长度，最快的方法，可能有环
答了快慢指针，但是面试官说这个不够快，我就讲了用哈希存储，但是感觉面试官还是不太满意
5.基础知识
list和tuple的区别
dict中key的底层实现，哈希冲突怎么解决？
6.算法题
lc原题，nums数组，分为left和right，保证left中所有元素小于等于right，并且使left尽可能小
思路：找到第一个左边最大元素（包括自身）不大于右边最小元素的位置，在这个索引处划分。刚开始思路不对，后来边界没处理好，在左边最大元素是否包含自身的地方有些纠结。感觉今天写题状态不好啊我摔，下次面试前要刷两道题。
【美团】一面挂
#简历
1. 围绕node2vec，讲一下word2vec的CBOW和skip-gram的区别，
2. 你用的是什么，为什么用skip-gram？这里不懂，说是因为自己用的word2vec的实现，就是使用的、skip-gram，原因不知道
3. skip-gram对应的损失函数是什么，word2vec对损失函数的优化有哪些？不会，就换问题了
node2vec中涉及DFS和BFS，是怎么去选择的 通过参数控制的
4. DFS和BFS，同质性和相似性，应用的场景。
后来面试官说DFS适用于社区发现，BFS适用于推荐，但我回答的我们主要考虑DFS做推荐，主要讲的是DFS具有探索性以及BFS具有利用已有信息的性质。同质性和结构性分不清楚，没怎么说
BFS可以容纳更多同质性的节点，反映的是结构性；DFS可以容纳更多的结构性的节点，反映的是同质性。
#算法
1. 字符串的最短编辑距离，给定两个字符串，通过增删改操作，实现字符串相等的最小修改次数。这道题感觉有些复杂，说不会面试官给换了一道题
2. 字符串的最长公共连续子串。用了暴力和动规，但是动规是O(n2)的空间复杂度，关于空间的优化没有实现出来
主要在于保留上一层的前一个结果，应该有一个单独的对象去保存，但我是直接覆盖了所以出了问题
#智力题
1. 1-7的随机数生成器，怎么模拟1-5随机数生成器
我就说关键是要保证1-5的概率是一样的，但是没有具体思路。面试官给了一个思路是1-7的生成器去生成随机数，如果>5那么重新生成，<=5则停止，这样可行吗？我说的是概率可能不太一样，但是也没想清楚。直接抛弃大于5的可行吗？可以保证概率相等吗？
一般都是1-5生成1-7，这里应该可以直接大于5的抛弃，小于等于5则停止
2. 一根棍子，分成三段，成为三角形的概率有多大，任意两边大于第三边
【腾讯】一面挂
感觉腾讯没啥hc了
1. 介绍一下你主要做的召回工作，YoutubeDNN输入样本怎么设置的，有没有遇到什么难点？
2. 写个二叉树层次遍历
3. 过拟合和欠拟合、梯度消失和梯度爆炸
4. 了解哪些机器学习模型，哪些深度模型
5. 一个hello字符，变换字符位置后如果在字典中，这就是得到了兄弟词，怎么快速找到它的所有兄弟词
字典树/hello全排列/根据字符及其数目判断是否相等来得到，要分析时间复杂度，但是不知道最优解是什么
【贝壳】已oc
一面聊的比较浅，没有太多点
二面
刚开始介绍实习，围绕实习问了一些问题，也有一些开放性的比如你觉得哪个部分你做的最好
做得不好的地方：写了一个题没写出来，xgboost为什么使用二阶泰勒展开，目的是什么？有什么优势？FM和deepFM的区别及应用场景，FM的时间复杂度，手推公式
面试官反馈：太紧张了，知识的深度还有进步的空间
hr面
常规问题、现在还有哪些面试机会
【转转】等oc
一面
简历上的项目挨个问，写了两道题
1. 求数组中第二大的数——两遍遍历、堆、两个常数指针存储，时间复杂度O(2n)-O(nlog2)-O(n)，空间复杂度O(1)-O(2)-O(1)
2. 一根绳子，划分三段，是三角形的概率
二面
主要是简历，但是我感觉问的很大很泛，比如让我介绍整个推荐的输入、优化目标以及做了哪些优化，怎么更好地拟合业务目标等
没回答好的一点是youtubednn里面的输入向量维度的映射是怎么做的，比如最开始维度不统一，然后怎么映射成统一维度比如150维的
LR里面的极大似然函数是什么
hr面
为什么去实习
目前有哪些offer，带户口吗
你认为转转能给你带来什么？怎么评价
【字节】一面挂
算法题：合并K个有序list，两两合并/堆，计算时间复杂度，对于logN级别的时间复杂度计算不熟练
1. 有没有看过相关的书，看什么书，是不是系统地学习了相关知识
2. 聊了UCB，为什么这么做，面试官觉得这样是一种奇怪的做法
3. L1L2正则特性，为什么又这种特性？
我提到解空间形状，面试官问解空间是怎么画出来的，没答出来。
https://blog.csdn.net/zouxy09/article/details/24971995 就是w1和w2空间下，根据公式画出来的菱形
4. 回归问题中，对于离群点，L1和L2谁会更敏感？怎么在优化L1和L2loss
这里我之前没搞明白：L1loss和正则是不同的，注意区分二者
这个问题真没想过，面试官一直给提示，但是我还是没有回答出来。
查询了发现是smoothL1的思路 https://cloud.tencent.com/developer/article/1441560
【YY】一面
介绍自己做的比较好的，然后从实习说起，讲一下KNN把，item2vec和node2vec是怎么做到浏览时长提升这么多的，youtubednn介绍一下怎么做的，ucb介绍一下，强化学习了解吗，提到强化学习跟多臂***问题有点相似，两个比赛哪个你觉得做的好，主要介绍了信用评估，用的xgboost，怎么特征筛选及数据清洗，缺失值怎么处理，怎么没用lightgbm，说下随机森林和xgboost，哪个是并行哪个是串行。问下深度学习的内容，梯度消失和梯度爆炸，常用的激活函数。
常用语言，scala了解程度怎么样
算法题-反转链表
面试官问工作地点怎么选，你对推荐这个方向感兴趣吗，反问业务-个性化push和技术栈-python/scala
【bilibili】一面
1. 你是计算机专业的，为什么要来投风控算法
2. 信用风险预估竞赛，讲讲你的思路以及整体的流程，想查看某一列的分布的函数是什么？确切的函数名（想不起来了），讲讲xgboost和随机森林的区别
3. 介绍下FM
4. 熟悉sql吗，考了几个语句，分组排序，join的几种方式之类的
介绍业务，识别恶意薅羊毛，sql是负责收集数据，算法模型基本就是xgboost之类的
【快手】已意向书
一面
1. 围绕项目，面试官可能对faiss库比较熟，主要问了faiss库原理，分级索引，怎么建索引
2. 做题：根据乱序数组建堆，以及数组的pop和push操作，面试官很耐心，会一起讨论来做题
二面
1. 快排/归并的相同和不同，主要在稳定性上面没说清楚，以及实际工程中是快排还是归并应用更广泛
2. 想问C++基础但我说不会，然后写了三道题
一个数组，求所有满足左边元素都比它小以及右边元素都比它大的元素；求二叉树节点最多的一层，返回层下标；以及海盗分金币问题
三面
1. 数学方式定义多路召回优化方程，包括自变量、约束条件、优化目标
2. 稀疏向量计算内积，一维向量，怎么高效计算，如果其中一个的稀疏程度远远大于另外一个呢？如果两个的维度很高且稀疏度比较低（也就是要计算的位置很多）？这里同时写代码实现
hr面
1. 说到了参加很多的社团活动，讲讲你组织的活动
2. 在电视台的经历中，详细介绍一下，是你负责的吗还是只是参与
3. 实习经历具体做了什么，有没有什么难点，遇到了哪些困难，是怎么解决的
4. 了解快手吗？你怎么评价快手？主要说快手的运营理念-社区性以及技术上的吸引力，提到了用户粘性，你认为主要是什么因素对用户粘性产生了作用
5. 有没有比较清晰的职业规划，目前投了哪些公司都到了什么阶段，求职中主要的考虑因素
hr说后续会发放意向书，10月8号以后会有hr沟通薪资，其他的具体问题可以问后面负责的hr
后面慢慢补充阿里的面经
全部评论
(6) 回帖