情况介绍：本人本硕末流985，双控，导师项目一点不沾边，平时自己自学，然后主要的方向还是想做推荐/广告。疫情期间自个参加几个比赛都没拿到top（我太菜了QAQ，一个人玩就是去当炮灰）。然后5-8月在网易那边做线上实习，感觉实习在面试的加分很大，面试官也主要就着这个面的。考虑到自己水平，面核心部门铁定挂，所以选了金融事业部。
笔试（8.21）：编程ak
一面（8.31，1h20m）：
详细问比赛问项目，然后根据项目问模型（简历上的项目沾边的模型一定要会）
主要有gbdt相关（xgb,lgb改进方向，工程并行实现等，和rf区别）
bias和varience
l1,l2正则
batch normalization
Attention
梯度消失，爆炸及解决方案，LSTM相比于RNN改进和怎么捕捉长期依赖
LR，FM，deepFM，wide&deep相关等
编程题：
两个有序数组的中位数（没a出来）
给一个数组的字符串，然后求shape。如：“[[1,2,3],[1,2,3]]”，结果为(2,3)。我没做过相关的题，所以自己想的，可能有点复杂：用栈判定同一维，然后用“，”分割求维数，例子中的维数就是emb=[3,3,2]，逆序取维数：（emb[-1],emb[-1-emb[-1]]）=(2,3)，注意对于求过的数据需要抹去逗号。
一面还是比较简单的，问的也比较基础
二面（9.3）：
和一面差不多的套路，问实习问比赛，
问了些实习相关的难点和怎么解决，后续的改进方向之类的。
编程题给忘了，但是是leetcode中等难度的。
三面（9.9）：
上来直接就让挑一个项目说（套路X3），我选的实习。
中间问了些很不错（难）的问题：
LR做特征重要性分析时，连续值会有影响吗，怎么处理，特征的重要是看one_hot后的sum还是mean？连续值会和权重相乘，有影响，所以需要离散处理，后面说下离散处理的好处和坏处，这里的坏处我时考虑到计算量的增加，不知道对不对。特征的重要性是看mean，one-hot后每个权重都代表着这个类别的权重
GBDT树直接取第二层的特征也可以看成交叉特征，和FM比较：我认为GBDT树模型本身只是对样本的一个记忆，不具备泛化性能，即可能样本里没有出现过的类别组合，gbdt就不会 学习到，其实这个跟LR做二阶特征一样；而FM是直接对每个特征训练一个隐向量，不依赖某个特定的特征组合是否出现过，只要特征x和其他任意特征组合出现过，就能学习到x的隐向量，泛化性能更好。
问了下NFM，这里我答的不够详细，大致说了下
两个相同的特征（对输出都有用）输入到线性模型，用L1正则，这两个特征是不是都会为0？我一开始是一维考多重共线性，后来面试官明确了下问题，然后我回答的不会，因为两个特征都有用，那么l1正则不会让他们为0，但是由于L1正则的存在，所以两个的权重会减半（相比于一个）
问了下l2正则会不会影响adam的学习率？会，具体原因我说我不知道，然后扯了下网易实习时优化器的选择时，adagrad优于adam，说了下原因(adam会更新整个batch的样本，容易造成embedding层过拟合)，成功的圆回来了（0.0）
最后两个概率题（听到概率题心凉了半截）：
1. 三个门，门后一个有礼物，你选了一个，帮你排除了一个没有礼物的门，问你换不换：换，假设第一门有礼物，计算换和不换拿到礼物的概率，最后换的概率是2/3，一开始我直觉上以为不用换，差点就说出来不换了，还好算了下概率
2. n个人，其中一个是明星其余为普通人，明星不认识普通人，普通人都认识明星，普通人之间是否认识未知。现给一个黑盒，可以询问一次A是否认识B，问使用黑盒几次能找到明星，面试官提示了下，最终算出了n-1次，推导如下：A不认识B，那么B不可能是明星；A认识B，A不可能是明星，每次询问必能淘汰一个人，所以最后需要n-1次
三面问的挺深的，需要依靠平时的积累来推导，第二个概率题回想还是挺简单的，是我自己太菜了。
hr（9.9）：
三面是下午3点结束的，晚上8点40成功错过第一个电话，9点打来接到了，问了下手上的offer，我说有个触宝提前批（希望能提提价，但是感觉希望不大），后面还会面大厂，选择主要看薪资福利等，很奇怪没有聊薪资，直接说了后续正式offer会写明。感觉应该就是白菜价了。
秋招一个多月第一个大厂offer，接到hr电话还是蛮激动的，庆幸自己能看清自己能力选择了非核心部门（我周围投cto网约车的最远走到了二面，太难了），希望大家也能理性看清自己，今年算法岗本来就一片红海，因为疫情原因，好多海外高校的也投了国内的公司。
最后祝愿大家能拿到一个满意的offer，早日结束秋招的痛苦。
全部评论
(3) 回帖