收到蚂蚁金服算法意向书,发一波面经还愿~~
收到蚂蚁的算法offer了🤗,秋招这段时间焦虑的时候都是看牛客,现在也发一波面经回馈大家
背景:本硕985 + 大厂一年实习 + 两篇顶会
一面:
介绍两篇论文,论文延伸知识点
介绍实习的项目,项目中遇到的问题
聊蚂蚁金服的业务场景和遇到的问题
二面:
和一面一样扣论文和实习项目的细节
场景题:如果让你设计一个推荐系统,你会设计一个什么样的架构?你设计的重点是什么?
场景题:对搜索了解吗?如果是让你设计一个搜索系统呢?
三面:
详细介绍两篇论文和实习项目,本人的贡献程度
场景题:在广告推荐的时候,我们常将展示出来但是用户没有点击的广告作为负样本,然而其实有的时候真实的情形是用户没有注意或者没有看见这个广告,
也就是说这条广告不是真正的负样本,用户对其可能是感兴趣的,这种情况该如何处理?
广度讨论:
(1)对抗学习有了解吗?
(2)point-wise,pair-wise, list-wise的优缺点,对这些loss的常用设计形式了解吗?
(3)对召回算法有了解吗?常用的召回算法的优缺点?
(4)对搜索有了解吗?搜索与推荐的不同?
(本人研究方向是NLP和推荐都有所涉猎):
(5)你觉得该如何将NLP和推荐相互结合?
(6)graph embedding和random walk
(7)知识图谱与推荐相结合
四面(交叉面):
详细介绍论文和实习项目
广度讨论:
深度学习的常用优化算法有哪些?优缺点?
正负样本不均衡如何解决?
召回算法有哪些?
对自己将要去的部门的业务有了解吗?
场景题:你觉得要如何提高目前支付宝中搜索功能的效果和用户体验?
五面(hr面):
一些常见的问题,工作地点,为什么想来蚂蚁
六面(杭州终面答辩):
这次的形式是带ppt做presentation,然后再进行问答
面试人员主要有两个技术leader(P9)和 一个 HR 加上 两个工作人员
先对ppt进行讲解,约20min
技术问答:
(1)论文中的一些细节,评测是否完善,有没有更加好的验证方式
(2)场景题:如果现在你有1PB以上的数据,该如何存储和推荐?
(3)场景题:还是有1PB的数据,怎么做random walk并有效训练你的模型?
(4)你对你的论文相关领域的后续改进模型有了解吗?
HR问答:
一些常见的问题,比如你最骄傲的事
总结
整个流程下来感觉蚂蚁非常看重的是你对于自己研究领域的思考和实践,比较注重你是否具有较高的学习热情和个人潜力,希望各位小伙伴也能收获自己满意的offer!