再偷偷说一下：认识我的好兄弟们叫我宝石就好，不要带任何后缀！！！

vivo广告推荐算法工程师

一面技术面（30min）

• 自我介绍
• 讲实习，问了几个小问题
• 讲比赛，不知道面试官听懂没
• 问了些大数据的问题
• spark transform和action的区别
• 手撕了个归并排序

hr面（30min，只有一面技术。。。）

• 自我介绍
• 家庭情况
• 讲一下实习亮点
• 有女朋友么
• 父母同意你去深圳么
• 讲一下优缺点
• 能提前实习么

昆仑万维推荐算法工程师，个人觉得这个公司并不是太靠谱，牛客注册的也只有hr一个用户，因此早早拒绝

一面（1h)：

• 上来自我介绍
• 讲一下判断回文链表的思路,多方法
• 用纸写一下反转链表
• 说说python shuffle怎么实现的，O(N)时间,O(1)空间
• 看你计算机专业，知道哈夫曼树吧，w2v有用，你能说说么（我就记得分层softmax了，实在是不会）
• 说说传统机器学习你都了解哪些？推一下LR，说一下原理
• 知道kmeans吧，说下迭代过程，簇心随机不好，怎么才能更稳定（类kmeans++）
• 说说深度学习你都知道哪些模型？我说了LSTM RNN，还没等说推荐的模型。。。
• 讲一下LSTM吧，门都是怎么迭代的
• 各个激活函数的优缺点，sigmoid relu leaklyrelu tanh，又说了下梯度消失
• Sigmoid求导是什么？
• 了解推荐么，说说都知道啥，嘴贱说了个CF
• 讲一下Item-CF，怎么计算相似度（用交并，也就是Jaccard距离，速度比cos快），用什么优化呢（倒排索引）
• 讲讲数据倾斜怎么处理吧？（用key+随机前后缀）
• 聊一下你这个项目里LDA吧？我直接说这个我用过没细研究（他也认同，说数学原理很复杂）
• 聊一下你这个项目query title统计特征都提了啥，跟他聊了一下，他和我说了一下他的业务理解
• 反问
• 做什么的（啥都做，业务很广。。。）
• 用哪些技术（啥都用，技术栈很广。。。）

二面（就是确认时间 不算面试）

• 和一面面试官聊的如何
• 知道他们部门做什么的么
• 接下来约一下boss面，确认时间
• 结束

三面（不到二十分钟，压力面）：

• 上来就问比赛，两个比赛都问了，和第一差距在哪
• 下面问题都是快问快答，都没深问，问题可能记不全了：
• 说下你实习吧，没说几句。。
• 你怎么解决样本不均衡的
• kmeans适用于什么情况
• python dict怎么用
• 为什么会产生哈希冲突
• python set dict list啥场景用
• 过拟合有哪些解决方法
• 牛顿法和拟牛顿法
• 200w不重复单词一口气放内存中，怎么放最省内存（不会）
• 你除了学习之外还做什么项目
• 平常刷算法题么，刷多少了
• 另一个面试官的问题不是压力测试
• 你希望做什么种类的工作（大概就是这个意思）
• 没得反问

贝壳机器学习/数据挖掘工程师

一面（35min，感觉面试官有点紧张？）

• 自我介绍
• 详细讲一下实习内容以及创新部分
• 问了些实习的问题
• 讲fm
• 还了解啥其他排序模型，都讲一下，ffm，deep系列
• xgboost为啥用二阶泰勒展开
• 问过拟合的解决方案
• 你是怎么做特征工程的
• 讲一下hadoop shuffle做啥的
• 如何处理数据不均衡的
• 感觉问的很宽泛，没反问，也没深入问，谢谢面试，没了。

二面（35min，小哥人很好，不会的问题还给我按要点一条条讲）

• 自我介绍
• 讲实习
• gbdt，xgboost，lightgbm
• 推荐和搜索的区别和联系，问了好一会
• 推荐系统除了点击率指标还有啥评判体系
• 如何解决ctr预估因为采样漂移的问题（复盘）
  • 修正: $q = \frac{p}{p + \frac{1 - p}{w}}$ 其中，q是修正后概率，w为负采样频率
  • 在sigmoid函数做调整：$q = \frac{1}{1 + e^{(-logit + lnw)}}$,w为负采样频率，加上个lnw偏移量达到矫正的目的
  • 调整样本权重
• 怎么解决冷启动问题的
• spark了解么，说下和hadoop区别，为啥用spark（我说了一部分，面试官从头到尾列了几点）
• cnn？感受野？为啥用多个小卷积核代替大的（我 emm，面试官给我讲的）
• 双向lstm优势
• awk提端口
• git merge rebase 区别（我只简单说了git，大多数用IDEA提交的也，面试官没为难我）
• 用python和java的版本
• 多媒体处理了解么，处理多媒体音视频用CNN系还是RNN系（我说CNN。。）
• 反问

hr面（25min，人很好的小姐姐)

• 自我介绍
• 实习这么久咋不转正，这块说了好一会
• 了解贝壳么
• 父母同意来么
• 近几个月的最大困难
• 近几个月的规划安排
• 最有成就感的竞赛，聊了一会
• 反问
  • 新人培养
  • 忘记问啥时候出结果了，不过看帖子说一周后要么oc要么感谢信。

触宝data scientist（说白了就是算法）

一面 算法（1h）

• 自我介绍

• 数据结构基础

  • 数组和链表区别，应用场景
  • 疯狂问排序算法，最优最坏平均复杂度，稳定排序有哪些（好长时间没复习这个了，答得比较差）
  • 一个剪枝题，口述算法过程，分析时空复杂度
  • 说说面向过程、对象、切片编程的区别（我。。。。。。）

• 机器学习基础

  • 讲一下你了解哪些分类模型
  • 说说SVM
  • 讲讲id3和c4.5
  • 讲讲xgboost和gbdt
  • 讲讲怎么判断kmeans的k，聚类效果的好坏
    • k可以用肘部法则SSE（误差平方和）和轮廓系数
  • 讲讲分类，回归，推荐，搜索的评价指标
  • 讲讲lr 和 fm，fm的后续（ffm）
  • 讲讲你知道的各种损失函数
  • 讲讲l1 l2正则，各自的特点

• 深度学习基础

  • 说说deepfm，说说fm在nn中还有哪些（FNN，NFM，AFM）
  • 说说类似l1,l2正则化降低模型过拟合，还有什么别的方法
  • 说一下sgd→adam的过程（下面是面试后简单复盘，本身答的一般）
    • sgd
    • momentum 利用了历史信息，意味着参数更新方向不仅由当前的梯度决定，也与此前累积的下降方向有关。这使得参数中那些梯度方向变化不大的维度可以加速更新，并减少梯度方向变化较大的维度上的更新幅度。由此产生了加速收敛和减小震荡的效果。
    • rmsprop 在 Adagrad 中， 问题是学习率逐渐递减至 0，可能导致训练过程提前结束。为了改进这一缺点，可以考虑在计算二阶动量时不累积全部历史梯度，而只关注最近某一时间窗口内的下降梯度。根据此思想有了 RMSprop，采用的指数移动平均公式计算
    • adam 可以认为是 RMSprop 和 Momentum结合并加了偏差校正，因为初始化是0，有一个向初值的偏移（过多的偏向了 0）。因此，可以对一阶和二阶动量做偏置校正 (bias correction)，
  • 介绍下梯度消失和梯度爆炸
  • 都有哪些方法解决这两个问题
  • 你了解多目标优化，迁移学习么（不知道）

• 场景问题

  • 让你加一个兴趣类型特征 你要怎么做
  • 如何处理年龄类特征
  • 你了解相似向量快速计算的方法吗（就记得个啥哈希分桶，没做过）
    • 局部哈希计算，高维相近的点低维也相近，但是高维较远的点低维可能也相近，将embedding应设成1维，若担心把远的也算进来可以多设置几个hash函数等等。
  • 如何判断你模型上线的好坏
  • 给你个nn模型，如何调参，如何修改架构
  • 如何解决冷启动问题 用户侧，物品侧
  • 推荐系统的整体架构
  • 线上推断这部分再具体点怎么实现的

• 反问

  • 触宝内容推荐（小说）
  • 主要用python
  • 等后续hr通知吧

二面（45min，面试官人很好，和善憨厚）

• 自我介绍
• 讲下实习做了哪些优化，问了些问题（我都没介绍实习，面试官已经直接点破我每一点实际都在做什么）
• 讨论了一下抽样，作为一个算法工程师如何将抽样导致的得分分布变化给拉回来？
• 因为实习模型是FM，详细讲了下FM，讨论了下FM的泛化性
• 用的什么优化算法，顺便介绍下sgd后续的优化，sgd→momentun→rmsprop→adam，一面问过的，复盘过
• 实习有没有除错过导致线上有点问题（还真有。。。）
• hadoop shuffle干啥的，为啥key相同的要放在一起
• python深拷贝和浅拷贝的区别
• linux 替换文件中所有的a，我说的awk或者tr
• 算法题：给两个字符串S和T，计算S的子序列中T出现的次数（dfs A了）
• 反问：竟然和一面面试官不是一个部门。。。二面面试官给我介绍了算法在他们公司都有哪些应用。。。
• 总之要有工程师顶层思维，不能局限于模型优化啥的。

三面（vp，电话）

• 问的都是一些比较宽泛的问题，比如实习怎么衡量优化的效果，对触宝的认识，对未来公司的期待，最近的挑战等等。

四面（hr 半小时左右）

• 聊实习，从实习学到了什么
• 为什么不考虑去其他公司继续实习
• 期望的工作是什么样的
• 对未来城市的要求
• 周围人怎么看你
• 手里有什么offer
• bat等一线互联网投了么
• 对触宝的了解和期待
• 期望薪资（一直想问我offer的薪资是多少，emm）
• 等等常规问题

网易互娱数据挖掘研究员

一面（1h+）

• 自我介绍
• 详细讲实习，很细，面试官没听懂的都又重新问我
• lr和xgboost
• 双塔和deepfm
• 都玩什么游戏（不怎么玩网易游戏，玩NS主机，最近一直在玩Tetris99，火焰纹章，马造2等）
• 设计一个阴阳师开学季礼包push（从群体，礼包内容，打折力度三方面说）
• 算法：生成所有合法括号组合

二面（45min，两个面试官）

• 自我介绍
• 挑一个你想讲的项目/实习
• 问了上面项目好多细节问题，问了好久（涉及到特征工程，机器学习/深度学习，线下验证等）
• 都玩什么游戏（不怎么玩网易游戏，玩NS主机，最近一直在玩Tetris99，火焰纹章，马造2等）
• 设计一个日常礼包push，优化指标是什么？如何衡量效果
• 道具打折的意义
• 没有算法题

顺丰，同城科技的人工智能（hc=2，emm），hr口头offer（稳不稳不太清楚）

一面（45min，女面试官，问的比较松， emm）

• 自我介绍
• 挑一个你想讲的项目或者实习具体讲（讲完了也基本没问，全是自己说）
• 树模型那一系列
• 如何做数据预处理
• 了解哪些激活函数，把他们都画出来
• 如何解决过拟合和欠拟合
• 等等，问完我说完就拉到了，没继续问下去都
• 算法题：旋转数组查找，如果允许重复元素呢（重复元素还不如直接遍历呢，😓）
• 反问

二面（45min，面试官挺好的，不会的都安慰我说应届生没接触过正常😂）

• 面试时候延迟有点高，好像面试官网络不是很好
• 自我介绍
• 具体讲实习，问了挺多问题
• 讲FM（这块说了一会，有个问题，关于隐向量有什么优势，没说全）
• 讲Map-Reduce，具体细节不是很了解（开始安慰我）
• 你了解哪些归一化方式（没说够）
• 零均值归一化是线性的么
• 如何做数据预处理的
• 连续特征分桶都有哪些方法（没说够）
• 半个小时了，说给15分钟做个算法题（字符串全排列）
• 由于上面题3分钟，没够45分钟，写完又问了俩问题
• 问个加分题：你是如何理解机器学习的，比如使用场景，有监督无监督等等。
• 时间还没够，又问了个FFM和FM的区别
• 估计一面面试官面晕了，说我是做cv的😂，听面试官意思后面还有好多人
• 反问

三面（35min，AI负责人）

• 自我介绍
• 讲实习中的主要贡献，让你作为负责人你要怎么构建整个流程
• 讲项目一，最大贡献是什么，有没有借鉴业界开源技术，现在让你去改进结果有什么方法
• 讲项目二，给三分钟思考时间，前两个讲了很多细节，逻辑性不是很好，这次要讲的有逻辑有条理。
• 你觉得到目前为止面试过程还有什么自身亮点没有说
• 没有算法题
• 反问：请介绍算法在顺丰领域具体的应用场景（说的挺多的）