2022秋招算法-个人面经整理

汇总了自己去年秋招的面试记录，希望给大家提供一些帮助。  

提前祝各位都能拿到心仪的offer～

个人情况：

双985科班，研究生主要做推荐相关研究, 下面的面经基本上即为自己秋招阶段(含提前批)参加过的所有面试。

p.s.

欢迎大家投递b站实习，随时可查进度, 可以帮忙修改简历、辅导面试

通过下面链接即可  

https://jobs.bilibili.com/social/positions?token=b8f76b21-800a-403f-a8fc-d0b3f7373ec1&page=1

小红书  

一面 55min  

• coding:

• 滑窗最大值 二维滑窗

• 提问：

• FM公式推导： 最后怎么计算的

• AUC公式特点

• LR的损失函数为什么是交叉熵

• GNN工作的背景和具体做法

二面 50min  

• 自我介绍

• 项目介绍

• 项目提问

• FM的原理

• 具体模型产出， 讲的不太好

• 模型过拟合怎么评估， 怎么处理

• 召回阶段和排序阶段的任务差异对比

• FM与YoutebeDNN模型的异同点

• ANN技术了解吗

• GNN：graphsage了解么， 简单介绍

• 业务情况

• 用户冷启动怎么做

• 怎么用GNN做

• Coding思路说明：

• 编辑距离

三面 55min  

• 项目介绍

• 建议： 可以使用pairwise方式进行训练 softmax 或者 hingeloss

• MIND：

• 提示： 创新点在于track： weight

• 本质： 进行特征聚类

字节商业化  

45min 一面  

1. 介绍实习项目； 提问： FM 的原理； 如何多路召回

2. 基础提问： Bert了解么，介绍一下Transformer； 介绍一下word embedding的方法

3. 手写LR公式，以及其loss函数

4. 手写sigmoid函数，并分析其原理；并与其他激活函数进行对比

5. 代码题目：
   跳一跳问题； 分两问给出

商业化 60min 二面  

1. 题目： 293. 滑动窗口最大值
   分析时间复杂度 O(N + W)  时间复杂度分析的不对

2. 项目提问：
   FM的公式： 二叉项的计算方式:  写的不太清楚
   1/2 \sum{f = 1}^k ( (\sum_i=1 v_if x_i)^2 - \sum{i=1}^n v_{i,f}^2x_i2 )
   具体交叉计算距离

对推荐其他框架了解么：
Wide&Deep细节： 优化器使用情况 wide FTRL  deep使用  

1. NLP提问：
   word2vec如何处理OOV问题： fast2text grams
   还有其他方式设计处理OOV么？
   Word Embedding 如何处理未登录词？
   

2. 机器学习基础提问：
   LR的损失函数
   LR能用MSE函数代替么： 不能， 因为LR+MSE函数是非凸函数
   MSE 会有梯度消失现象
   MSE 的导数非凸函数，求解最优解困难
   

商业化  45min 三面  

1. 反问环节

2. 介绍大根堆，大根堆的定义是什么？如何构成大根堆；

1. 经过排序的完全二叉树

2. 代码考察： 非递归方式实现大根堆

1. 机器学习基础提问：

1. 了解GMM么

2. 了解EM么

3. 了解决策树么 建树过程如何？

4. adaboost模型了解么， loss函数如何写： 指数函数

   
   

1. 深度学习基础提问：

1. online learning了解么

2. FTRL与LR的最大区别在于什么？ FTRL的核心思想是什么

1. 个人情况了解：

1. 兴趣方向与工作方向

2. 个人coding能力如何？

3. 考虑提前来实习么？

4. 同组能力如何？

b站  

一面 50min  

• coding题目：

• LC152. 连续子序列的最大乘积

• 反转单链表

• 语言基础：

• map unordedmap

• list linkedlist  array:

• 概率论与统计

• 协方差计算及其意义， 其与相关系数的差异

• 概率密度函数的解释

• 贝叶斯公式的举例及解释

• ML基础

• 朴素贝叶斯解释， 什么是条件独立，与独立性有什么区别

• kmeans聚类与混合高斯模型的区别与相同点

• bagging和boosting的区别：

• 全连接网络初始化问题：

• MLP能不能参数全初始化为1

• 参数初始化有哪些方式

• LR能不能参数全初始化为1

• 回归问题中为什么常对特征进行归一化？

• L1和L2正则化的区别

• 为什么L1能得到稀疏解？

二面 50min  

• 以项目介绍为主

• 发散提问

• coding：

• 两个有序链表合并

美团优选  

一面 50min  

• 项目提问： FM怎么做的

• DSSM和FM的区别

• 其他向量召回了解吗 MIND模型中的胶囊网络怎么做的？

• GNN相关： 图怎么构建的； GNN与我们常用的NN有什么区别？

• 基础提问：

• adam与sgd的主要区别是什么？为什么对稀疏特征学习效果比较好？

• coding：

• 迷宫搜索： 给定10*10的迷宫， 入口和出口固定； 搜索最短路径

• dfs/bfs搜索即可

• 实际使用bfs搜索， 直接得到最小步数。

hr面  

虾皮-算法  

45min 一面  

1. 实习项目介绍及提问

2. 介绍GNN研究项目，提问：social rec和session rec的差异

3. 编程题目：
   最长回文子串： 使用中心双向拓展完成；
   进一步提问： dp的方式怎么设计

50min 二面  

• 项目提问:

• 模型优化目标: 时间 交互

• 特征使用情况

20min hr面  

百度-广告  

45min 一面  

基础：  

1. CF相关： item CF user CF的计算方式

2. 基于模型如何计算

3. 向量召回如何实现，向量线上如何生成

4. 了解召回框架么

5. 介绍一下图采样

6. GraphSage的特点， 常用的聚合方法

coding：  

不同的二叉搜索树数量  

40min 二面  

项目提问:  

• FM原理, 索引构建方式

• 多路召回的量如何调配设置

• 图神经网络边权重设计

基础:  

• xgb与gbdt的区别;

• L2与L1的区别

coding:  

给n个字符,从中选m个(排列问题,n个字符不重复)  

三面  

• 项目介绍

• 基础知识提问：

• SVM原理：

• SVM核函数的条件： 正定性 没答出来

• SVM常用核函数

• C++代码量是多少

• LSTM与RNN的区别

• 工业界常用的模型应该是什么？ GRU

• 计算资源和性能效果

• 即从性价比出发

• 反问环节

华为-实验室  

一面  

代码： 去除字符串相邻字符： 使用栈解决
思考题： 编译选项优化， 给定N个编译选项，如何设计优化目标； 设计优化模型； 考虑时间复杂度  

二面
  

代码： 二叉树层次遍历  

提问： C++相关：  

1. vector内部实现 queue内部实现

2. C++ 11新特性有哪些

3. iterator的实现方式

4. const与constexptr的区别

5. c++ 11 构造函数

6. 虚函数作用与实例 （当父类与子类采用virtual函数参数都为default）

7. 了解模板与元编程么

8. 左值与右值

提问： 数据结构相关  

1. 图的存储方式与遍历方式

2. bfs与dfs的区别，适用场景

提问： 操作系统  

1. 进程与线程的区别

2. 进程空间

3. 给定一个hello world程序， 进程空间的动态调整过程

4. 给定一个递归程序，分析栈区的变化

提问： 体系结构方面  

1. 给定指令 ADD R0 R1 R2 分析CPU执行过程

主管面 50min  

• 交流项目和其中遇到的问题

• 职业规划分析

360-广告  

一面  

1. 项目提问

2. 深度学习提问： Bert介绍

3. 机器学习提问： 决策树介绍， 节点划分的方式

4. 题目： 快排实现； 快排复杂度；

最差时间复杂度 O(N^2) 优化方法  

二面  

1. 项目提问： FM数据样本如何构造

2. 针对position bias 如何处理

3. 比赛提问： 具体做的内容； 为什么采用xgb

4. 介绍一下GNN推荐 以及它是否可以落地

5. 代码题目：

1. 给定一个不包含重复数组的整数数组， 和一个目标数字target； 返回能够构成target的数字组合； 数字可重复使用； 但最后的结果不能有重复的组合。 回溯法完成即可

HR面  

蔚来-电池  

一面  

项目介绍： 推荐  

提问：   

1. gbdt与xgboost的差异

2. gbdt与rf的差异

开放问题：  

1. 电池包工况曲线构建： 聚类

2. 聚类方法有哪些： dbscan与kmeans的区别

二面  

1. 项目介绍： 推荐

开放问题：   

1. 异常点检测如何做？

2. 方差的作用

三面： HR面试  

vivo-广告  

一面  

1. 介绍FM及其变形

2. 介绍FM与DSSM区别

3. 介绍数据处理： 样本构建（正负样本） + 数据流 + 离散化处理 （分桶）

4. 介绍一个熟悉的模型

5. 熟悉SVM么 (不怎么熟悉)

- 其他： C++中的虚函数的作用  

二面-HR   

1. 个人优势与劣势

2. 个人职业规划

3. 期望薪资

4. 最突出的个人评价

#面经##算法工程师面经##大厂招聘##算法面经##算法实习#