双节快乐

秋招现状

今年算法岗秋招的压力总体下来感觉比往届压力要大一些，毕竟疫情原因，各个公司的小日子也都不好过，尤其做CV算法的同学，简直太难了，说多了那就是秋招前转岗吧。确实没有调侃，身边好几个做CV的同学在面了几轮算法岗位后果断选择后端开发，庆幸的是因为底子好最终也都拿到满意的offer。下面主要分享一下键人的秋招面经以及对互联网公司的看法，主要来自牛客，脉脉以及各大水群。【紧急备注】：键人指用键盘打字的人也就是本文作者。

背景简介

先简单介绍一下键人背景，也给看面经的同学一个参考。希望对十月和明年春招的同学有些帮助，当然对于找实习面试的同学来说也是一样，毕竟面试嘛，都是一个套路。键人本科985硕士Top2，本科期间主要做开发没太接触过算法，当然此算法指的是算法工程师名称中的算法，而非数据结构书中的算法。研究生方向NLP，开始学习机器学习和深度学习相关算法。秋招前有过五段实习经历，分别是作业帮，滴滴AILab，百度研究研究，必示科技和蚂蚁金服人工智能部，其中有三段实习经历时长是六个月以上，两段实习经历是三个月以上。之所以提实习时间也就是因为面试官也会较为关注你的实习时长，最好不要每段实习时间都特别短。其他就是两个专利一个创新国奖，一篇EMNLP Accept-Findings(后来才中的，而且只是Findings)。

在贴出秋招面经之前，还BB一下实习面试和秋招面试经历让键人感觉非常重要的两点吧。一个就是简历一定要好好做，非常重要，相信能感受到此非常真的非常。第二个就是coding，现在各个公司的面试每一面基本都有coding，就算你个人能力再强论文再多coding不行那也拜拜，你可以试想一下面试总共一个小时，面试官基本会留出半小时让你coding，你不会于是你和面试官大眼瞪小眼半小时，得多尴尬。所以剑指offer不刷完你就去面试那就是对面试官不尊重哈哈，剑指offer刷完就去刷leetcode吧。当然在精不在多，多总结。下面就正经贴出各个互联网公司的面经以及给每个公司贴个标签，当然仅仅代表个人观点。

一、字节跳动（八面鞭尸卒）

关键词：涨薪。涨薪不可能的，这辈子都不可能涨薪的，除非晋升。字节跳动今年反复复反鞭尸可真不是闹着玩的，牛客贴里一篇尸横片野。为啥这么深刻，因为键人也被反复鞭尸了。

字节提前批第一轮(三轮技术连着面三个小时)
字节一面
1、聊项目及项目中的算法
2、解释Bert, Bert好在哪里
3、解释HAN模型，为什么在你这个项目上好用
4、算法题: 给定一个矩阵里面只包含0和1两种数字，给出每个单元距离最近的0的距离，上下左右都算作相邻，相邻的距离为1

字节二面
1、聊项目及项目中的算法
2、Hierarchical classification算法为什么好
3、介绍了词向量预训练模型 Word2vec\ Glove\ Fasttext\ Elmo\ Bert\ Flair,各自特点和区别
4、Word2vec模型结构
5、Hierarchical Softmax原理
6、算法题: 一个无序数组，数字代表挡板的高度，挡板没有厚度最多可以盛多少水，如[3, 1, 2] 输出:4

字节三面
1、聊项目及项目中的算法
2、Bert模型结构，为什么好
3、Fasttext模型为什么比word2vec快，隐层怎么处理的
4、算法题：(1)S1, S2两个整数数组 已经从大到小排序。输出最大的K个数, 时间复杂度: 通过k/2的思想, 直到把k为到1为止
(2) S1, S2,..., Sx整数数组 已经从大到小排序。输出最大的K个数, 时间复杂度

字节抖音-教育业务提前批第二轮
字节一面 8月9号 14:00
1、聊项目及项目中的算法
2、Word2vec的负采样和分层softmax介绍，负采样的负样本是如何采样的，分层softmax的细节以及树的节点是什么
3、在预料中有些词比较稀疏又想学好的情况下，使用word2vec时如何选用cbow/skipgram,hs,nl
4、ELMO模型和Bert模型的比较，position embedding| sentence embedding| mask embedding如何拼接的，position embedding细节
5、Transformer中为什么要除以根号dk，为什么能加快收敛速度，为什么加了根号
6、BN和LN的区别，以及BN一般怎么用，LSTM中有没有用BN
7、优化函数有哪些，比较他们的优缺点
8、CNN中给定输入数据维度[c,w,h]，卷积核[k,k]，则输出维度，如何padding=p，输出维度是什么
9、算法题: 给定一个可包含重复数字的序列，返回所有不重复的全排列

字节二面 8月13号 10:00
1、聊项目及项目中的算法
2、数据不均衡有什么解决方式，从数据，模型选择，以及损失函数选择角度
3、word2vec,glove,fasttext算法比较，Elmo和Bert比较
4、self-attention公式，Attention机制
5、一个小木棒拆成三段，能组成三角形的概率
6、算法题: 求二叉树的宽度

字节三面 8月25号 09:30
1、聊项目及项目中的算法
2、算法题:"abcccbda"->"ada" 去除字符串的重复字符

字节四面 9月4号 15:00
1、聊项目及项目中的算法
2、应该是个交叉面，面试官对我介绍的项目不是特别理解

字节五面 9月7号 17:00
1、聊项目及项目中的算法，对项目中的算法提出相关问题
2、五面不是在牛客上面的，而是字节约的 电话面试，面试官很牛，应该是个老大( 因为期间透漏某厂的p9是他认识的朋友)

五面技术面后感觉那不用多说了，感觉不像是会收到普通offer的样子呀，哈哈，结果几天后收到感谢信，问了HR给的理由是：和我们的岗位要求不是很符合，哦哦好吧。

二、快手快Star（卒）

关键词：网吧。脉脉上都说快手办公环境及其乱，像网吧。哈哈当然脉脉上就没有好公司。快手今年最大的感觉就是疯狂养鱼，好吧上面的字节也好不到哪里去。好吧可能就键人被养鱼了，养了一个月挂了。不说了贴面经吧。

快手一面 8月5号 14:00

1、介绍项目，结合着项目问了相关算法

2、介绍一下自己在数据清洗这一块有什么心得方法

3、评估两个句子的相似度，有什么方法

4、Bert的Position Embedding是怎么处理的

5、Pytorch实现把一个Tensor中大于0的数字都置为0

6、实现编辑距离，O(n)空间复杂度

快手二面 8月5号 15:00

1、介绍项目，结合项目聊了相关算法

2、在实际图业务数据中CompGCN算法的相关问题

3、编程题: 求树中两个节点的最近公共父节点，时间复杂度

4、在实际的业务数据中，现在有一个文件不断保存业务过来的流式数据，如何从文件中等可能的取出想要的某个数据，回答了挺久但好像都不是他想要的回答

5、提问: 有什么建议？

快手三面 8月11号 15:30

1、介绍了实习时的项目

2、介绍了快手算法部门

3、让提问问题

快手HR面 8月14号 15:30

1、问性格等相关问题

在HR面后的一个月流程终止

快手一面 10月8号 11:00，好吧，被快手捞起来了，只想说我还有机会吗？

三、PDD拼越计划（已OC）

关键词：厕所。好吧，得说pdd面试没有留下什么深刻印象，只有厕所。但拼多多钱多多呀。

拼多多一面 8月8日 14:00

1、算法题一道: 现有一组会议起止时间，会议的时间信息[[s1,e1], [s2,e2],...]，总共同时需要多少会议室，例:[[0,30], [5,10], [15,20]], res=2

2、聊了实习时的项目，意图识别和实体链接

拼多多二面 8月23号 17:00

1、聊了简历中的项目

2、算法题: 二叉树的后序遍历

3、概率题: 10W个人有一个人生病，检测无病的1%假阳性，有病一定检测出，现有一个人检测有病，则真实有病的概率

拼多多HR面 8月27号 14:00

1、介绍一个自己觉得最出色的项目

2、闲聊了很多无关紧要的东西(两周左右给结果)

拼多多加面 9月8号 20:00

1、介绍了图相关的项目

2、算法题: 一套扑克牌52张，随机发N张牌，判断N张牌张有没有同花顺

四、百度凤巢（已OC）

关键词：专业。百度面试官给人整体的感觉，百度目前技术方面还可以的部门大搜，feed，凤巢，NLP部。百度今年20年的宣传片真心好看，李彦宏的个人魅力太强了，真的帅。

百度一面 8月9号 19:00

1、介绍实习时的项目

2、Bert的word piece对于中文词表的一个好处，词表变小也可防止OOV

3、Bert中用的LN，LN和BN有什么区别，为什么Bert用LN

3、在模型训练的时候有什么技巧和经验，比如loss不收敛等情况

4、算法题: 实现前缀树的插入，查找以及某一个前缀的所有词查找

百度二面 8月24号 19:00

1、介绍了实习的工作，重点介绍了图相关算法

2、业务题: 医美相关query搜索到相关结果，如果从搜索的结果中抽出有用的信息

3、算法题: 一个人从家往公司走，只有一条路径，有东西南北四个方向，现在求这个人往东南走的最远的距离

百度三面 8月26号 16:00

1、介绍了简历中的项目

2、开放题: 广告系统设计，图对广告的点击率是印象很大的，因此如果从知识图谱的角度考虑这个问题

3、其他offer及秋招进展等相关问题

五、 猿辅导（已OC）

关键词：十一两周假。不得不说，猿辅导这十一两周假期可真的是太秀了，钱多不加班，希望不是吹出来的。

猿辅导一面 8月9号 10:00

1、介绍简历中的项目

2、算法题：实现一个平均值池化的函数，原始数据为m*n，池化大小为x*y，考虑步长为

3、算法题：给n个单链表，均为从小到大排序，返回一个合并后的顺序单链表

猿辅导二面 8月24号 11:00

1、介绍了简历中的项目

2、算法题: 数组A=[1,2,3,5,8,9]升序，数组B是数组A将一个元素替换为任意数字后得到，先给一个target，target不等于B中替换的元素，找出target在B中的位置

六、京东广告（已OC）

关键词：sp多。京东今年人均sp,价格还是很高的，但3天offer考虑期限可还行。你只有三天的时间考虑是否和东哥做兄弟哦。

京东一面 8月13号 14:00

1、聊简历中的项目，以及项目中算法的介绍

2、算法题1: 求二叉搜索树中第k个大的节点

3、算法题2: 实现编辑距离

京东二面 8月24号 17:00

1、聊了项目，以及图表征相关相关的工作

2、算法题1: 二叉树中最近公共父节点

3、算法题2: 最长上升子序列

京东HR面 9月11号 11:00

1、聊人生

七、讯飞研究院（已OC）

关键词：965。清华实验室办公，工作舒服。

讯飞一面 8月13号 18:30

1、聊了简历中的项目，问了一些算法细节

讯飞二面 8月26号 14:00

1、聊了简历中的项目，问秋招情况

讯飞终面 9月25日 14:00

1、聊项目

八、作业帮（已OC）

关键词：难。面试的难度确实不低，所以有时候不要认为公司小面试就会简单，这个还是随机的，面试难度和面试官的性格关系较大。

作业帮一面 8月6号 14:00

1、聊了简历中的项目

2、算法题: 某个学校有AB两个班，期末考试后学校打算对个班的成绩进行合并（成绩已经按班排好序了,正序），请写出快速合并的方法。

3、算法题: 某个学校有AB两个班，期末考试后学校打算按成绩重新分班（成绩已经按班排好序了），成绩好的到A班，成绩差的到B班，A班最多只能比B班多1个学生，但不能比B班人数少，你有什么最快的方法找到哪些人到A班，哪些人到B班，找到分割点即可

作业帮二面 8月13 17:00

1、算法题: 线段数组覆盖

2、算法题: 平面上N个矩形求面积并集

3、聊简历中的项目

4、Xgboost和GDBT的区别

5、如果解决过拟合的问题

作业帮HR面 8月25号 14:45

九、 美团NLP中心（等待中）

关键词：慢慢慢。在有内推人催的情况下，每一面之间都隔了大八个月，绝了。北斗挂转正常批，前两面北斗面试，三面转正常批。

美团一面 8月7日 17:00

1、聊了简历中的项目

美团二面 8月14号 11:30

1、聊了简历中的项目

2、算法题: 用迭代实现二叉树的前序遍历，并测试

美团三面 9月8号 16:00

1、聊了简历中的项目

十、 蚂蚁集团（已OC）

关键词：暑期实习。如果确实是想来阿里最好走暑期实习转正，因为阿里大多数秋招名额都是给暑期实习的，秋招招的人要少很多。

一、阿里一面(两小时)

1、算法题 Leetcode139 单词拆分

2、算法题对算数表达式求值，如给定字符串'1+((2+3)*4+(4+2))-5*(2+1)'，求算数表达式结果

3、聊简历

4、偏差和方差的区别

5、介绍一些传统机器学习的分类体系

6、Bert和Elmo在工程中存在的一些Trick

二、阿里二面(四十分钟)

1、聊简历(40分钟)

三、阿里三面(三十分钟)

1、聊简历(30分钟)

四、阿里HR面(二十分钟)

1、简单介绍一下实习项目

2、以往实习经历的体验和收获

3、自己性格的优缺点

4、对工作地点和入职时间的确认

五、转正答辩

十一、腾讯（无面试机会）

关键词：北京hc不多呀。腾讯（未拿到面试资格），因为暑期实习通过选择没有去，导致系统一直以为我是已录用，错过了提前批和正式批。

最后贴出一些常考的算法面试题，基本面试也就这些内容，希望对找工作的人有帮助。

1、AUC值，PR曲线，ROC曲线

2、交叉熵和最大似然估计的关系推导

3、Kmeans原理和实现

4、GDBT、Xgboost、Lightgbm原理和区别

5、Dropout在训练和测试时的区别

6、随机森林，随机性体现在哪里

7、Transformer的实现细节

8、CRF和HMM

9、Word2vec Hierarchical Softmax原理

10、BERT模型架构，怎么预训练，怎么feature based/fine-tune

11、逻辑回归原理公式和损失函数，以及LR推导

12、LSTM和GRU门机制

13、GBDT原理。追问：负梯度的概念是什么，为什么用负梯度

14、GBDT 叶节点权重怎么算

15、GBDT 单调性约束怎么实现的

16、能否用LR 或者 SVM 做GBDT基模型

17、RF 原理讲一下，为什么能防止过拟合

18、机器学习如何调参

19、Dropout实现上的细节, 代码实现

20、BN细节，Dropout和BN之间的区别

21、Bert最新的发展，都是为了解决什么问题

22、Attention原理以及实现Attention

23、cnn模型并行和数据并行有什么区别

24、softmax公式及求导

25、交叉熵，相对熵，为什么损失函数用交叉熵

26、10亿个数，内存只有1M，如何让这10亿个数有序

27、模型训练为什么要引入偏差和方差

28、如何解决过拟合的问题

29、朴素贝叶斯为什么朴素naïve

30、One-hot的作用为什么不直接用数字表示

31、LR明明是分类模型为什么叫回归

32、梯度下降如何并行化

33、LR中L1/L2正则项是啥，哪个好，为什么L1正则稀疏性

34、写出全概率公式&贝叶斯公司并对比

35、SVM推导以及如何解决多分类问题

36、分层分类在实际问题中如何解决

37、决策树和随机森林的区别是什么

38、Kmeans初始点除了随机选择之外的方法

最后，祝大家双节吃好玩好休息好，也祝大家秋招毕业顺利。