面试复盘 | 阿里/腾讯/头条/paypal/快手

周末愉快!来看几篇面筋涨涨经验~

写在前面

本人学渣一枚,春招实习有幸过了几家大厂,在此期间得到了很多帮助,也特意分享一下自己的经验,希望能帮助到有需要的人。

阿里

阿里的面试周期最长,最初2月份参加预面试,到正式面试到收offer,经历了2个月。

一面:1h
  • 面试讲项目

  • 项目中为什么使用lightGBM,比起xgboost的优点是什么

  • 因果词向量的应用场景

  • tf多个变量如何共享权重

  • SGD  min-SGD的区别

  • 对epcho做shuffle,类似于哪一种优化器

  • 介绍一下优化器

  • 什么情况下不适用动量优化器

  • WGAN,要保证梯度平滑,使动量优化器容易过拟合,防止梯度突变

  • 介绍一下生成任务的做法

  • 用auto-regression的模型

  • beam-search,如何在做生成任务的时候,生成多个结果并且保证结果的多样性

  • 非自回归的模型如何一次性生成整个句子

  • 做后序遍历,判断一个数组是否满足后序遍历

  • 机器翻译的最新论文

二面:1h

部门leader面,主要问项目,项目难点在哪里

  • 介绍attention 和self.attention区别

  • 算法题目:

    • 给定x种硬币,凑齐y元

    • 给2种硬币,非均匀,计算正反面的概率,随机选1枚,抛100次,重复1000次,如何计算2种硬币的概率

阿里3面(交叉面)
  • 只能只用两个api :getcolour O(1) --获取指定位置的颜色  Swap:ij 交换位置

  • lr模型的输入和输出分别是什么

  • lr对商品进行点击进行概率预测,输入需要做一些什么处理

  • Lr---对商品,估计商品点击的概率--预测

  • 什么情况下需要将连续特征离散化---  One-hot

  • lr按照分布需要将特征如何进行离散化

  • 树模型如何处理离散型特征

  • lr模型---根据做特征交叉,为什么

  • lr中如何缓解过拟合

  • 减轻特征工程的手段,--如何构建更多的特征

  • coding题目:黑盒子,n是3的倍数个球,3种颜色,n个球排成一排,乱序  rgb

腾讯微信

一面挂
  • 学习率/优化器(adam)/bach-normalzation/➕res+learn-rate

  • 一种可行的方案是用拒绝推断

  • 一种方案是用smote

  • 自我介绍+询问简历内容

  • 词向量的方法

  • 正负样本不均衡的问题,如何解决

  • 介绍bert;bert如何使用transformer的encoding模块-bert的输入和transformer有什么不同

  • bert有什么缺点

  • XGboost和GBDT

  • xgboost做树的分类的时候是怎么做的--

  • 做过哪些nlp深度学习的任务

  • 深度学习模型在训练过程中如何加速收敛

  • 防止过拟合

  • mse和交叉熵的区别----为什么用交叉熵

  • 一对父母,已知一个人是男孩,另一个人是男孩的概率

  • 给100亿个数据,怎么找到中位数

腾讯PCG
pgc一面:(30min)
  • 主要聊项目

pcg二面:
  • 模型学习中,正负样本的训练方式不同有什么影响

  • 引入词向量的相似性对于结果有什么不好的影响

  • 面试题目:给两个球,求解最坏情况下走多少步(采用贪心的思想)

pcg3面:(交叉面)
  • 主要问项目

  • 相似性匹配的常用算法

  • bert

头条

算法岗挂,后来大数据岗通过面试,主要在这边记录算法岗的面试经验

一面
  • 问了bert ,transformer

  • 用梯度下降的思路求开根号

  • 写交叉熵公式

  • 防止过拟合的方法

  • transformer的中的attention机制,其中self-attention和encoder-decoder attention之间的关系

  • 最小二乘法的推导公式,最小二乘究竟是什么,和极大似然的关系

  • 在词向量中很稀疏和出现未登录词,如何处理

  • 线性和非线性存在什么关系之间的关系

  • logistic和svm之间的区别---svm自带正则化

  • 依存句法如何实现---涉及crf-序列标注

快手

nlp和风控工程师

一面
  • 问项目,着重问了第一个项目

  • 然后两道算法题,bugfree

  • 问了batch-normalization和layer-normalization的区别,然后问在inference线上模型如何处理

  • FNN-中有没有隐层

  • inference-batch-nor---针对一条输入

二面
  • position位置,信息

  • transformer为什么用+不用concat

  • Drop--  实现方式上是否会有差别----train 和test上有什么区别

  • train会有一定概率抛弃,test会保留全部,train会除以概率

  • dropout 和L1 和l2是什么关系,有什么异同

  • 做题--两种方法实现

paypal

数据科学家岗位

一面二面同时:
  • 项目+场景题

  • 如何防止过拟合,dropout为什么可以防止过拟合

  • sql的题目

  • 具体问项目,问具体的实现策略

三面
  • acc recall f1

  • 变量与target相关性的描述

  • 特征组合

  • 特征重要性判断

  • 模型好坏的评估

  • 分数映射是否符合正态分布

你可能感兴趣的:(算法,腾讯,机器学习,面试,java)