3月面经汇总-字节跳动，美团，腾讯算法岗

作者：The University of Michigan的一位大佬

三月面试了好几轮，写个帖子记录一下问过的问题，为接下来的其他公司的面试查漏补缺一下，也给大家一些准备的方向 斜体是我没答出来的 腾讯一面（3月初，不记得几号了）凉

1. 自我介绍

2. 问做过的项目，同时在过程中穿*用过的模型的问题，比如 word2vec两个模型的损失函数是什么 cbow和skipgram的比较，为什么skipgram会更好，哪个的计算复杂度高 为什么使用随机森林 决策树的分裂方式是什么，根据什么变量来决定分裂变量

3. 手撕代码 1）给一个数N，k 每一轮可以进行两种操作的其中一种

4. 所有的数拆分成两个更小的数

5. 所有的数-1 已知拆分操作只能进行k次 问 最少需要多少次把所有数都消去

2）给一串数列，这串数列有正有负，但是总和为0。每个数xi代表一个村庄，正的表示村庄想卖出xi份水果，负的表示想买入xi份水果。两相邻村庄间的距离是相同的，单位距离运送一份水果的运费均相同，每份都是k。问，把每个村庄的需求和供给都解决掉需要的最少运送费是多少？

这是第一次面试，凉得很彻底，因为很多算法细节都没有好好复习，而且代码写的也不够整洁快速

字节tiktok海外版（南亚组？）一面（3.9） 一个很年轻的小哥哥，人也很好

1. word2vec两个模型的损失函数是什么 cbow和skipgram的比较，为什么skipgram会更好，哪个的计算复杂度高

2. 开放性问题：在视频推荐这个领域能不能用上embedding的思想，如果可以，要怎么构建和训练模型。这个问题我没答上来，然后面试官给了提示，说有用户观看视频的一系列记录和搜索记录blabla，但我还是没想出来。正确的打开方式是用word2vec的方法训练出一套视频的embedding和用户的embedding，详情可以搜索一下youtubeNet这篇论文，https://zhuanlan.zhihu.com/p/97365203知乎上也有解释。看完之后受益匪浅吧

3. 手撕代码 一个是二分查找，很简单的 一个是给定一个数组，输出所有他的全排列组合，leetcode原题 permutation 然后小哥让我回去安静等消息，一度以为我凉了，过来一周问了hr有二面

字节二三面（3.17） 感觉面试官对于要不要实习生不太在意（捂脸 可能因为不太缺人吧 二面面试官直接问机器学习问题的

1. 解释一下过拟合和欠拟合，怎么发现过拟合问题，怎么解决过拟合

2. 你说到正则化问题，正则化有哪几种方式

3. 正则化这两种方式的区别和公式分别是什么

4. 你说l1会使得特征系数稀疏化，为什么呢（岭回归和lasso回归的区别）

5. 你说到lasso回归有特征选择的作用，有哪些特征选择的方式

6. 有哪些常用的降维方式 手撕代码

7. 判断链表有没有环；判断链表的环的起点

8. 给定n个区间[a,b], 找到最小的区间[x,y]，使得n个区间都至少包含一个数落在这个[x,y]中（不会啊救命） 然后面试官就让我等答复了（我以为差不多凉了吧，然后三面面试官进入聊天室，我只能继续了23333。其实二面有很多答不上来的问题，所以当时真的内心是拒绝的，心态在崩溃边缘

三面 面试官让你直接开始讲讲你最熟悉或者最拿手的一个项目

1. 这个面试官挺有批判精神的，他会指出你这个项目中的实验设置的不足，比如你词向量的优劣如果用情感分析的结果来进行评估的话，情感分析这个任务的选择合适吗，为什么？用lstm模型来评估两个词向量的优劣时，调参怎么调才合理？

2. 词向量的训练原理和参数更新的细节

3. 词向量怎么用到神经网络里面 手撕代码：

4. 两个有序数组的中位数（不要用O(N)的暴力算法，要用二分的思想）

5. 找出一个正整数数组中，没出现过的最小的正整数（不能先排序，要用比排序时间复杂度更优的方法） 两题都没撕出来，还是太菜了 自此字节凉了

美团（一、二面）等结果中 美团的笔试还是做的挺差的，五题只做了两题，两题都只有27%。。一面：word2vec 训练过程训练原理 训练的损失函数

我看到你做多分类情感分析多分类问题的损失函数是什么 Soft max的计算公式是什么？为什么使用指数函数？

LSTM的信息传递机制是什么？他和RNN相比有什么优势。

Bert 他和普通的Word2Vec模型相比优势在哪里 他为什么会有这样的优势(优势，指的是他能生成语境化的向量

Bert中的 transformer attention multihead attention 注意力机制的运行过程是什么样的？注意力机制中对于每一个词的分数会进行标准化，请问这一步的目的是什么

你刚刚提到batch normalization BN的作用是什么？它有四个公式，每一个公式分别是什么，有什么各自的作用 我对于每一个Batch 都计算出来了他对应的均值跟方差这些，它们相互独立的吗？还是会相互影响。

我看你大多数是自然语言处理的事件，你有做过计算机视觉相关的任务吗？回答：有机器学习课上尝试手写卷积神经网络的代码 卷积神经网络的权重是怎么更新的，平均池化和最大持化的反向传播是怎么运作的？没有手撕代码，但是让我直接实现kmeans的伪代码，不用编译 总结来说，美团一面问的都很基础的深度学习问题，都答出来了，因为准备过，所以说的时候比较有自信，然后挺流畅的。面试官就说觉得我基础知识挺扎实的挺好的（这个小哥人很nice，也是第一个这么夸我的面试官，挺受鼓舞的，很谢谢他

二面：大部分问题和一面的很接近，但是面试官好像是一面面试官的老大，会从更多维度来问你

1. word2vec训练过程的最后一步有什么办法可以优化softmax的计算，我没答上来，他就告诉我说是指数函数的计算会用查表来近似代替

2. 你大部分用的神经网络都是比较浅层的，有没有试过更深的神经网络

3. 有做过图像方面的深度学习项目吗

4. 有没有在实践中应用过transformer 最后面试官的评价是基础知识比较好，但是实践经历和业界场景有差距emmm，然后面试才刚刚开始，没这么快能给你答复（好的我知道我是备胎了55555 美团是我很想去的公司，我面试的部门是做美团外卖的推荐广告业务的，在他们场景中会用到很多的深度学习的模型（图像+nlp）来提取特征和做推荐预估, 而且关注了美团的技术博客，他们做的很多东西我都觉得和自己做过的项目很match。希望能有offer

字节企业应用(EA)团队一面：这个部门做的业务感觉是开发内部应用来支持公司内部其他团队的，我记得面试官说的一个是给法务部的做一些文本的提取、分类应用？问的问题不是很难，和美团的那几个问题很类似，都是围绕 word2vec的训练原理，bert的原理和word2vec的区别，xgb和gbdt的区别之类的，比较基础 给了两道概率题给思路：

1. 1-7的随机数等概率生成器，怎么等概率的生成1-5的整数

2. 掷色子掷出六个不同的面的次数的期望 然后手撕代码：leetcode的hard：最大矩形问题， 面试官很仁慈没有让我用优化的dp或者其他方法做，直接让我写暴力解法的代码，他大概看了一下就说就这样吧 然后第二天hr就给我打电话约下一轮面试了 二面之后回来更新。