二面：   自我介绍   简单介绍了一下所有项目   但面试官只对其中一个感兴趣，问了模型设计，特征，loss，问的很细，还说他们有类似的实验，效果不好之类的。。。一个项目聊了40min。。。   算法题：   给一个数组，找出最小缺失正整数（不能排序，O(n)时间复杂度）   后面又闲聊了一下强人工智能，brain-inspired intelligence之类的   这面试官感觉技术经验很丰富，人也很好

一面有两个面试官，一人面半小时   自我介绍   第一个面试官过论文   第二个面试官过项目   防止过拟合的方法有哪些   算法：判断一个字符串中是否有重复字符      感觉小米面试相对水一点，没问啥就结束了

自我介绍+过项目（很细节）   GRU 和 transformer 各自的优势   为什么用强化学习，不用Bandit   focal loss原理   传统的机器学习算法都了解吗   kmeans原理，优化目标是什么   没让写算法

百度一面：   常规自我介绍+聊项目  15min   然后就拿出了卷子。。。   多少年没这样考过试了   一页一道算法题，总共4页，挑3道做   1. 快排   2. 链表反转   3. 根据词频随机出K个词   4. 两个序列的最长公共子序列      一面面试官人特别nice特别帅还特别温柔   本来还要二面，不知道是二面面试官真的有事还是挂了hhh

HR面   自我介绍   介绍项目经历   对工作最看重什么   对户口有没有要求   为什么来面快手   有没有面其他公司，有没有其他offer   用三个词形容你自己      总共就用了20min   没谈薪资和户口，说得一两周之后全部同学面完才能定

自我介绍   挨个聊项目，每一个都问得非常细，   具体怎么做的，为什么要这样设计，还可以怎样做，效果如何分析的，有没有看XXX文章。。。      其中大家可以借鉴的问题大概有这些：   GRU原理（几乎是要手写公式了）   GRU两个gate的作用分别是什么   精排特征有哪些，点击序列是怎么作为特征放进去的   召回和精排的区别以及各自的特点   召回和精排的负样本有何不同      算法：   负样本采样，根据单词的频率，去随机采样一些单词作为负样本。 ## 实现一个热度负采样模块， 输入为 * 单词词频信息 dict 格式：`{"Apple":20, "...

续之前的帖子      三面：   自我介绍   过项目   推荐系统的各个环节（召回、精排、重排）都是干啥的，你有什么理解？   某个项目为什么效果不好，有何反思，未来如果再做你会怎样改进？   解释一下某个项目为什么会有效果，模型的可解释性？   你的专业是干啥的（专业太特殊了，每次都会被问）？   以后什么打算，做科研还是去业界？      面试时长总共30min。。。   也没做题

一开始都是自我介绍      一面：   项目经历挨个过一遍   两个均匀分布相加是什么分布   给几种硬币，凑一个数，求最少硬币数      二面：   写快排   问的全是项目，跟我仔细探讨为什么不这么做那么做，真的受益匪浅，学到不少   （比如强化学习的离线训练，样本均衡的各种做法效果之类的）      快手都没咋问基础知识，基本就是项目经历+算法，感觉比头条简单一些

自我介绍   项目经历（挨个过项目）   对于推荐系统有什么样的理解？   推荐系统工程上是怎么实现的？   激活函数有哪些？ReLU是为了解决什么问题设计的？   sigmoid+交叉熵梯度推导   学习能力怎么样，怎么体现？   自趋能力怎么样，怎么体现？   算法：给一个数组，进行两次股票交易，最大收益是多少？

- 自我介绍   - 介绍强化学习实习项目   - reward怎么设的，state是什么，action是什么，为什么用强化学习   - TD时序差分是什么， TD和蒙特卡洛的区别是什么   - 推导贝尔曼方程，贝尔曼方程里的gamma如果设成1会怎么样，设成0的话与监督学习有区别吗   - 样本不均衡的解决方法有哪些，focal loss的原理   - 手写堆排序