1. 拼多多 笔试挂
9.1笔试
2. 百度 oc
9.3笔试
第二题为找最短路径的变形，牛客上运用dfs+dp
最短路径笔试时没有写完
int main(){
int n;
cin>>n;
vector > grid;
for(int i=0;i tmp;
for(int j=0;j>a;
tmp.push_back(a);
}
grid.push_back(tmp);
}
int dx[4]={0, 0, 1, -1};
int dy[4]={1, -1, 0, 0};
vector > res(n, vector(n, 9999));
map candi;
map visited;
visited[0]=0;
res[0][0]=0;
int x=0, y=0;
int k=n*n;
while(k-->0){
for(int i=0;i<4;i++){
int tmpx=x+dx[i], tmpy=y+dy[i];
if(tmpx>=0 && tmpx=0 && tmpy 9.27
一面 35min
实习经历
项目经历
在基础这块问的比较多：python 深浅拷贝，可变与不可变类型、原因，垃圾回收技术（不了解）
linux了解什么命令
传统机器学习，树模型了解什么
手撕代码：口述给定一个字符串，找出第一个重复字符，时间/空间复杂度
手撕三选一：两个栈实现一个队列、1-50中找重复数字、链表反转
二面 45min
自我介绍
实习经历
搜索是否了解，搜索一个query，如何召回
手撕：给定n个数，找出pair的个数，满足 x&y >= x^y
（差点凉凉，提示后写出）位运算原理，统计为1的最高位，如果x, y的最高位相同，则成立。
反问
三面 40min
有点像hr面
自我介绍
实习经历——bert模型介绍
实习中的难点
最近经历过最有压力的事情
本科通信，研究生为什么转计算机
研究生转计算机有没有遇到什么困难
导师的优点、缺点
反问
3. b站 笔试ak无后续
9.4笔试 1+1+0.8
第三题：大鱼吃小鱼，每个数可以吃掉右边第一个比它小的数
input:
3
5 4 3
output: 1
排除降序
n = eval(input())
fish = list(map(int, input().split()))
fish.append("#")
stack, cnt, pre = [], 0, len(fish)
while fish:
if fish[0] == "#":
fish.append(fish.pop(0))
if len(fish) == pre:
break
else:
pre = len(fish)
cnt += 1
stack.append(fish.pop(0))
while fish[0] != "#" and int(stack[-1]) > int(fish[0]):
stack.append(fish.pop(0))
fish.append(stack.pop(0))
while stack:
stack.pop()
print(cnt)
3. 腾讯 笔试挂
9.6笔试
第一题: 找山谷,用了一次最长上升子序列和一次最长下降子序列
思路：求出每个数值 i 的最长下降子序列([0, i])与最长上升子序列([i, n) )
进而求出vec[i]==vec[j] min(left, right)*2;
#include
using namespace std;
const int maxn=500;
int a[maxn];
int f1[maxn];
int f2[maxn];
int N;
int ANS;
int main(){
scanf("%d",&N);
for(int i=1;i<=N;i++)
scanf("%d",&a[i]);
for(int i=1;i<=N;i++){
f1[i]=1;
f2[i]=1;
}
for(int i=2;i<=N;i++){
for(int j=1;ja[j]){
f1[i]=max(f1[i],f1[j]+1);
}
}
}
f2[N]=1;
for(int i=N-1;i>=1;i--){
for(int j=N;j>i;j--){
if(a[i]>a[j]){
f2[i]=max(f2[i],f2[j]+1);
}
}
}
for(int i=1;i<=N;i++){
ANS=max(ANS,f1[i]+f2[i]-1);
}
cout< 第二题: 牛顿法求0值
暴力法，
第三题: 概率密度积分
第四题: 用了字典树来比较
排序转字符串放set里面ac
第五题: 两次dijistra算法，输入数据可能有重边，得取重边最小值
4. 粉笔教育 oc
9.8 一面 1h
自我介绍
实习经历提问
项目提问：有关crf， 维特比算法，crf与马尔科夫模型区别
手撕代码：二叉搜索树的插入与删除
智力题：圆内三个点在同一个半圆内的概率
反问
9.14 二面 1h
自我介绍
实习经历
bert， transformer细节：mask区别
LR 损失函数与似然函数的关系，从先验角度解释L1, L2正则化
正则化方法
手撕代码：白板编程
旋转数组，找出给定数字的下标，若不存在返回-1；
dp, 给定一个词典，判断一个字符串能否被词典数分割。
9.17 三面 1h 20min
- 实习经历
- 项目经历
- 场景题：模型在训练集上loss很小，在测试集上loss很大，可能原因与解决方法。——来自不同的数据集，有偏，数据归一化；过拟合解决方法
- 梯度消失、原因——LSTM高速路径，激活函数
- 决策树划分策略——ID3, C4.5， CART树
- bagging, xgboost异同：
1）随机森林的抽样比：随机抽取一定数量的数据集，随机抽取特征属性
a）如果训练集大小为N，对于每棵树而言，随机且有放回地从训练集中的抽取N个训练样本（这种采样方式称为bootstrap sample方法），作为该树的训练集；
随机森林进一步在决策树训练时加入随机属性选择：
b) 如果有M个输入变量，每个节点都将随机选择m(m
因此随机森林即有样本随机性（来自bagging的boostrap sampling）又有特征随机性。
2）xgboost 对比 GBDT，以及防止过拟合措施：
1、损失函数中加入了正则化项，相当于预剪枝
2、shrinkage
即在迭代中为树的叶子结点乘以一个权重衰减稀疏，以削弱每棵树的影响力，为后面的树留下提升空间（gbdt 学习率）
3、列采样，即特征采样。
有按层采样和建树之前随机采样两种方式。
其中按层采样是在同一层的结点进行分裂之前随机选择部分特征，对这些部分特征进行遍历，寻找最优切分点，而不用遍历全部特征。
建树之前随机选择特征是在建树之前就选择部分特征，在之后的结点的分裂中，只使用这部分特征
4、行采样，也可以理解成样本采样。
利用的是bagging思想，训练时选取部分样本进行训练，增加了树的多样性 - 智力题：
1）从1到100层，抛两个鸡蛋，求最小次数；
2）拓展：从1到200层，抛三个鸡蛋，求最小次数；
3）给定一个庞大的数据流，求其中位数——优先队列与堆也只能把时间复杂度降低到logn - 手撕代码：给定一个IP段与对应城市，数据量在200-200万之间，求一个IP段的归属城市。——花了很长时间理解题意，最终用二分勉强做了出来。
- 最近看过论文，学习途径，推荐相关部分知识
5. 美团 一面挂
9.11 一面
无自我介绍，面试官先介绍了自己~
实习经历——延伸，训练集数据不均衡时处理方法
- 剩采样——调整样本权重
- 训练过程中采样，比如每种样本都抽取5000，放回取样不断调整子训练集
项目经历
为什么用双向LSTM而不用双向RNN
bert后接RNN和CNN相比，哪个更好？
手撕代码：给定一个数组，找出所有能被17整除的整数对，保证有解，返回二维数组
给定一个数组A和B，定义同一位置A[i]>B[i]，则加1；限定B的位置不变，调整A的位置使得最终结果最大，返回最大值
9.14 挂，应该为对项目与实习经历不满意
网易 三面挂
9.12 笔试 1+1+0.7+0.3
t3: 给定一个字符串，返回满足“abcxyz”各偶数位的最长字符串，0也为偶数
leetcode 1371
哈希表方法，记录每个元素出现次数
考虑到不在“abcxyz”中的字母str(s).find(s[i])会返回-1， 因此写成
1 << string("abcxyz").find(s[i])+1>>1
int findTheLongestSubstring(string s) {
unordered_map m{{0, -1}};
int res = 0, n = s.length(), cur = 0;
for (int i = 0; i < n; i++) {
cur ^= 1 << string("aeiou").find(s[i]) + 1 >> 1;
if (!m.count(cur)) m[cur] = i;
res = max(res, i - m[cur]);
}
return res;
}
t4: 男女匹配，来源于裸二分图匹配
9.19一面
自我介绍
项目与实习经历
multi head self attention: 相比单头优势，映射到多个子空间，学习到不同空间的特征；减少参数
seq2seq模型
概率题：0-1不均衡随机数生成，生成0，1均衡的随机数生成器
手撕代码：二叉树的最长直径；给定一个整型数组，求乘积为正的最长子数组的长度。——dp算法
9.23 二面：
手撕代码：
https://www.jiuzhang.com/solution/maximum-average-subarray-ii/
9.29 三面：
全程围绕一道场景题：
110接线员接到的大部分电话都是有关车辆违规停放需要挪放的，希望和网易合作，通过机器人实现关于车辆违规的智能问答。
这种问题最好自己先考虑一下需求，针对需求提出后续解放方案。
58同城 oc
9.16 一面：
自我介绍、兴趣爱好、在校表现
项目+实习经历
SVM相关：目标函数，损失函数——合页损失，与LR在线性可分数据集上的区别/作用区域
dropout增强泛化原理——dropout原理，实现方法
深度神经网络层数加深的好处
BN实现需要的参数
9.16 二面：
自我介绍
实习
bert, transformer相对于word2vec优势， 以及elmo
L1， L2正则化作用、原理
xgboost
linux相关（涉及）
场景题：类似于大数据流中，选出前100个点赞数靠前的直播间
京东 oc
9.17 一面 1h20min
自我介绍
论文详细介绍
项目
实习——关注在数据集构建（广告架构部主要处理数据相关）
决策树
GBDT系列算法
树模型与LR区别（大概，对类别特征、连续值处理问的很详细）
手撕代码：给了一个云文档，在文档里面写寻找两个字符串的公共子序列）
怼了简历···
类别特征：
1）转化成one-hot编码
问题：a.只能采用o vs rest进行切分，在类别很多的情况下，类别数量很少，导致增益很小，可以理解成不平衡的切分与不切分没有区别，相当于浪费了类别特征；b. 影响决策树的学习。划分成多个零碎的子空间，而决策树利用统计信息，在统计信息很少的情况下，决策树的学习会变差。
2）类别特征的最优切分——LGB
采用了Many vs many的切分方式，实现了类别特征的最优切分。用Lightgbm可以直接输入类别特征。算法流程为：在枚举分割点之前，先把直方图按每个类别的均值进行排序；然后按照均值的结果依次枚举最优分割点。
3）转化为数值特征
a. embedding
b. 统计每个类别对应的label(训练目标)的均值特征工程——离散值、连续值处理
离散只能用自然数表示，是统计得到的。连续是按测量或者计量到得到数，比如各种传感器采集得到的数。
连续性特征：[4654.1313, 11, 0, 4564654, …]——归一化，标准化
离散型特征：：[‘AskReddit’, ‘Jokes’, ‘politics’, ‘explainlikeimfive’, ‘gaming’]
在工业界，很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点：
1）离散特征的增加和减少都很容易，易于模型的快速迭代
2）稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展
3）离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰
4）逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合
5）离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力
6）特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问
7）特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。树模型 vs 逻辑回归
1）逻辑回归是将所有特征变换为概率后，通过大于某一概率阈值的划分为一类，小于某一概率阈值的为另一类；决策树是对每一个特征做一个划分。
②逻辑回归着眼于整个数据集的拟合，对数据整体的全局结构的分析优于决策树，但缺乏探查局部结构的机制；而决策树采用分隔的方法，能够深入数据内部，对局部结构的分析优于逻辑回归，但一旦分层形成将切断不同层面节点间可能存在的关系。
③逻辑回归通常情况下不需要考虑数据量的问题；而决策树由于切分，节点数目增多样本数量降低，分层数目收到数据量的限制。
④逻辑回归可用于高维稀疏数据场景，比如ctr预估；决策树变量连续最好，类别变量则稀疏性不能太高。
⑤逻辑回归更适合线性关系，能够找到适合线性分割（输入特征x与logit之间是线性的，除非对x进行多维映射）；而决策树可以找到非线性分割，对线性关系效果较差。
⑥逻辑回归对极值比较敏感，容易受极端值的影响；而决策树在这方面表现较好。
⑦逻辑回归原则上可以提供数据中每个观察点的概率；而决策树只能把挖掘对象分为有限的概率组群，结果更为粗略。
⑧逻辑回归模型较为简单，不容易产生过拟合。决策树容易产生过拟合，通常通过剪枝避免产生过拟合。
⑨逻辑回归既可以用于回归问题，也可以用于分类；而决策树通常用于分类问题。
⑩如果数据中只有单一的一条决策边界，并且不需要与坐标平行，那么逻辑回归的效果会更好。同时如果数据中包含多个决策边界，那么决策树的效果会更好。如果有多条决策边界，并且不平行与坐标，通常使用支持向量机。
9.25 京东二面 50min
- 自我介绍
- 项目和实习经历
- 手撕代码：二叉树翻转；口述给定一个字符串，求去除k个字符子字符串的最大值
- 场景题：给定大文件，记录单词，统计前10个出现频率最高的单词：设计数据处理方法，将相同的单词放在一起，提示说这一步可以用哈希散列
- C++ osi七层模型、多态、进程与线程：
物理层、数据链路层、网络层、传输层、会话层、表示层、应用层
tcp/ip模型：数据链路层、网络层、传输层、应用层
进程和线程 - linux查看内存使用的命令，开发机相关命令
- spark, redies是否了解（不了解）， hive表查看分区
360 oc
9.18 一面 1h20min
- 介绍transformer, self-attention
为了解决这一由长序列到定长向量转化而造成的信息损失的瓶颈，Attention注意力机制被引入。Attention机制跟人类翻译文章时候的思路有些类似，即将注意力关注于我们翻译部分对应的上下文，重点寻找源语句中相对应的几个词语，并结合之前的已经翻译的部分作出相应的翻译。这样，当我们decoder预测目标翻译的时候就可以看到encoder的所有信息，而不仅局限于原来模型中定长的隐藏向量，并且不会丧失长程的信息。
缺点：RNN受顺序结构训练方式速度受到限制；且在句子序列太长，词语之间距离较远时效果较差
Self-Attention则利用了Attention机制，计算每个单词与其他所有单词之间的关联，在这句话里，当翻译bank一词时，river一词就有较高的Attention score。利用这些Attention score就可以得到一个加权的表示，然后再放到一个前馈神经网络中得到新的表示，这一表示很好的考虑到上下文的信息。
这里面Multi-head Attention其实就是多个Self-Attention结构的结合，每个head学习到在不同表示空间中的特征，如下图所示，两个head学习到的Attention侧重点可能略有不同，这样给了模型更大的容量。
另一解释：Attention机制的实质其实就是一个寻址（addressing）的过程：给定一个和任务相关的查询Query向量 q，通过计算与Key的注意力分布并附加在Value上，从而计算Attention Value，这个过程实际上是Attention机制缓解神经网络模型复杂度的体现：不需要将所有的N个输入信息都输入到神经网络进行计算，只需要从X中选择一些和任务相关的信息输入给神经网络。
attention矩阵相乘如果是单条数据 - bert改进——roberta, albert
- bert时finetune，冻结embedding层参数原因
- bert效果优于lstm的原因: 同上
- 手撕代码：求二叉树的最长路径：注意异常值，主要是负值
- 解释crf
- l1, l2正则化，以及当前l2使用更加广泛的原因
L2正则化可以直观理解为它对于大数值的权重向量进行严厉惩罚，倾向于更加分散的权重向量。由于输入和权重之间的乘法操作，这样就有了一个优良的特性：使网络更倾向于使用所有输入特征，而不是严重依赖输入特征中某些小部分特征。 L2惩罚倾向于更小更分散的权重向量，这就会鼓励分类器最终将所有维度上的特征都用起来，而不是强烈依赖其中少数几个维度。。这样做可以提高模型的泛化能力，降低过拟合的风险。 - SVM能否用梯度下降求解
可以！！！
sklearn 的linearsvc用的是梯度下降法，而sklearn.svm则使用的是传统的smo的求解方法，这种方法的问题难以扩展到数量巨大的样本上，而使用这种梯度下降法求解的svm则可以比较容易的扩展到海量的样本上，毕竟内存不够可以增量训练。 - bert模型相对比较重，因此上线时可以有什么trick
9.28 360 hr面
360搜索部门：360安全卫士 导流机制，用户转化率较高，四级分发机制、收入型
第二曲线，0-1 or 1-n
滴滴 一面挂
9.22 一面
一面很奇怪的面试体验，大概是简历面
迟到20分钟，可能kpi了
新浪 二面后无后续
9.28 一面 35min
未答上来
C++：深浅拷贝，智能指针
9.30 二面
面试后面试官表示通过，但无下文
微软 四面挂
10.12 一面
手撕代码
- 找出峰值数字，返回下标
- 旋转数组，找出最小值
- 求二叉树最大路径和
10.12 二面
手撕代码：
字符串转化成ip地址， 如“2552552552” -》 “255.255.255.2”，“255.255.25.52”
- stl模型库
- unordered_map map 区别，内部结构：
1）map 有序，unordered_map 无序
2）map内部结构为红黑树，二叉搜索树，空间占用大（存储子节点）；unordered_map 内部结构为哈希表，查询效率高 O(1)
unordered_set vs set: 相似，key-key键值对 - 线程内部，虚拟地址转化为物理机真实地址的方法：
32位CPU上，运行进程时，将4G大小的虚拟内存映射到2G大小的真实地址上，分段分页 - hdfs 对象：
三面 10.13
自我介绍
手撕代码：含有重复数字的非减数组，找出目标数字出现的次数
给定一个0,1字符串，要求0和1的个数相同，返回满足条件的最长字符串长度；
智力题：海盗分金币问题，改成sleep sort
四面 10.27
快手 oc
9.24 一面
面试官很nice，发现我的经历与nlp相关，很耐心问了一些机器学习相关的知识
10.1 二面