写面经攒人品~

2018.8.25 今日头条 算法工程师

一面：
1.逻辑回归推导；
2.有哪些正则化的方法；
3.为什么沿着负梯度的方向进行参数更新；
4.随机森林算法
5.Bagging和Boosting的区别与联系；
6.算法题
• 二叉搜索树转单链表
• 二叉搜索树转双向链表
• Rand7()生成rand40()

二面（已凉，非计算机科班出身，计算机基础基本为0~~）：
1.会C++吗？
2.说明python与C的区别；
3.网络协议，如TCP、IP等协议；
4.进程与线程的区别；
5.TopK的解法有哪些及其最优和最差时间复杂度的推导；
6.原地删除字符串中的重复空格，要求时间复杂度为O(n)。

百度核心搜索部门：一面（凉）
1.一上来手写快排和最长公共子序列长度（最好是c++，表示考官对c++的好感度更高）；
2.自我介绍
• 项目经历；分词有哪些算法；
• 微软实习经历：
○ 简历上写的内容太少，建议算法的和工程的都要写。
○ Trie树查询文本中的过滤词，建议改成AC自动机。Trie树的作用是什么，KMP；
○ 倒排索引的key、value，Jaccard系数衡量的是hard match，考虑如何做文本语义相似度衡量的soft match。如何改进该模块；
○ TF-TDF的含义及其变形，tf使用log进行平滑处理，降低出现词频特别高的词语的权重，如“the”、“a”等；
• 文本分类的效果
• 网易的实习，RF的特点、原理，特征重要度衡量可以用于模型中吗，并行还是串行实现。
3.搜索引擎的原理
4.BM25模型、原理
5.Mapreduce
6.思维扩展题
• n个节点和m个机器，节点和机器间是多对多的关系，如何设计算法使得使用尽可能少的节点覆盖所有机器。
• 旋转寿司问题

美团一面：
1. 2分钟自我介绍
要求项目介绍的逻辑性：项目简介，有哪些部分，以及重点负责、参与的部分。
2. 重点问“命名实体识别”的模型架构
• 为什么使用预训练词向量；
• attention权重的更新特点
• F1怎么计算，以及P和R的计算方法，F1的意义。
3. CNN与DNN的区别
4. LSTM的特点
5. Word2vec的模型及理解
6. FastText与word2vec相比有哪些好处
7. 快排
8. DSSM
总结面试特点：在一处deep下去，直到回答不上来。

美团二面（凉）：
1.2分钟自我介绍
2.NER模型架构讲解，BiLSTM获得词语的深层语义，CRF在训练时既考虑上下文s(X,Y)，又采用softmax作为目标函数；
2.HMM和CRF的算法原理，及区别；（加上MEMM）
3.微软小冰的实习工作及pipeline，依存句法分析树、短语结构分析树、以及对话主体识别的统计机器学习模型；
4.word2vec、glove、fasttext，原理、模型框架图、是否看过源代码，对embeddings技术的了解程度
5.问我常用的深度学习框架
6.算法题
• N（N很大）个数，求小于等于k个数的和的集合
• N个大文件，每个文件存储一堆数字，每个文件内的数字是有序的，如何将这些文件合并成一个大文件，保证大文件的所有数字是有序的
• 把数组里的0挪到最后

2018.8.26     拼多多

一面
1.在微软实习最大的技术亮点，简单讲了一下用于多模式串匹配的AC自动机及时间复杂度；
2.命名实体识别的模型架构，及字特征的价值；
3.文本分类多种模型实验对比得到的结论有哪些；
4.word2vec技术
    • 源代码有哪些值得学习的优化技术；
    • 怎样进行负采样的，为什么按照幂律分布进行负样本的降采样，考虑使用其他分布呢，有没有跟踪word2vec新的研究进展
5.LR与SVM的区别；
6.NB和RF原理介绍，RF特征分裂的依据；
7.算法题
给定一个节点数组，每个节点有4个属性：id（编码）、left、right、father，其中left、right、father的值为id，当不存在时id=-1。求树高。

二面
1.面试官建议简历上实习写在一起，实验室项目经历放一起；
2.RF的原理，数据量，多少棵树，树深，每棵树的输入样本比例；
3.画出HMM在命名实体识别中的结构图，命名实体识别的神经网络模型及调参经验；
4.推导BP。以一个单隐层为例，面试官不同意用预测值的损失函数计算第一层的权值。
5.算法题
求一个二叉树的镜像对称树。

三面（头一回HR面～～，hr小姐姐真可爱）
1.自我介绍（没啥经验，按照技术面的自我介绍说的）；
2.问拿到的offer和正在进行中的，以及微软的转正；
3.期望薪资（不了解行情，随口说了不能低于26万）；
4.想去上海工作吗，父母同意吗，有男朋友吗，能说通男朋友去上海吗；
5.有了解上海的户口积分制，自己能到多少分吗。
面试最喜欢和hr小姐姐聊天啦～～