网易互娱 数据挖掘研究员 面经(offer)
终于收到了春招季第一个offer。写下面经回馈社区，同时附上自己当时的答案以供参考。
一面(4.18) 视频面试，1h10min，两个面试官
1. 自我介绍
2. 介绍项目
3. lstm解决了rnn的什么问题，为什么会有这个问题（梯度弥散，链式法则）
4. 还有什么方式解决这个问题（relu，bn，合理初始化）
5. relu的问题是什么，怎么解决（负半区神经元失活，leak relu/maxout等）
6. 比赛中怎么做的离线模型选择（划分测试集，只在最后使用，杜绝数据泄漏）
6+1. 项目有什么地方可以再改进（答案因人而异）
6+2. xgboost和gbdt对比（二阶泰勒，正则项，加权百分位点估计）
6+3. 看过哪些源码（xgb，keras一部分）
7. 凸优化知道哪些（梯度下降，牛顿法，拟牛顿法）
8. 哈希冲突是什么（非科班，没答上来）
9. 平衡二叉树是什么（定义）
10. 知道什么排序算法（冒泡，选择，插入，快排，归并，堆排序）
11. 介绍下选择排序和插入排序的算法（不难）
12. 写代码（计算字符串形式的算式的值，例如1+2*3-4这种。10多min写完，讲了一遍没运行）
13. 玩什么游戏（荒野行动 and others，正准备吹水对游戏的热爱了，人家给我打断直接问了下一题）
14. 荒野行动让你做推荐系统怎么做（提取用户特征，商品特征，上下文特征，协同过滤或者CVR预测）
15. 你有什么问题要问（部门工作，实习生任务等）
二面（4.19) 视频面试，55min，一个面试官
1. 自我介绍
2. 介绍项目
3. 介绍xgboost
4. bagging和boosting有什么区别（bias vs. variance）
4+1. 讲讲你的这个创业项目（校级小项目，我是组长，顺带搞搞技术）
5. 写个代码（全排列。10min写完，这回运行了）
6. 玩啥游戏，荒野行动商城推荐怎么做（跟一面一样，不过这次似乎更侧重怎么特征工程）
7. 你作为算法人员提了改进，运营人员有异议怎么办（跑demo摆数据，不跟他多bb）
8. 有什么问题问我（对新入职的员工有什么期望）
可能有一些遗忘，大致上就是这个思路。机器学习算法+数据结构（可能因为我是非科班所以难度不大）+写代码+场景（推荐系统），由于没有hr面，二面带一点hr的内容
查看13道真题和解析
如常r：实习的话没必要太在乎工资，也干不了几个月（当然有留用名额的另说…）选跟你后续求职方向相关性大的，这样在简历上更加分，对校招有帮助。