2021秋招-面经

面经总结

微软STCA面试-面经

字节AI lab实习面试记录

腾讯PCG-腾讯新闻面试

百度(AIDU)-内容策略部门面试

百度(AIDU)-搜索策略-机器学习算法工程师

百度(AIDU)-知识图谱部门算法工程师(2020-07-08)

百度(AIDU)-NLP部门算法工程师(2020-07-10)

---

微软STCA面试-面经

2020-06-01左右在牛客上面投递微软STCA的面试简历，没看清楚，要求是research intern，对应要求是: 顶会+博士。 迷迷糊糊的也就投了, 上周周四时候stca老师联系我，然后发给我一篇ICLR文章(SKT模型),让我slide讲解，顺便考察，项目、文章、coding。

对应准备

1. 其实刚开始是拒绝准备的，因为如果这次面试不过，准备的这些文章也好。其他的也好没什么用的对于后面秋招。
2. 周五晚上时候正式打开了文章，但是因为是 做生成的 一堆推导的公式，看的脑子疼，所以看了看看看不懂就放下了。
3. 周六拿出来又看了看，跳过公式，理解了其他部分。
4. 周天好好的整理了一下这篇文章的思路，不懂的公式查了查书，差不多也懂了;
5. 周一是巨忙的一天，deadline确实是生产力，首先先新建了ppt，然后就开始套路先安排上，截图截图总结总结，然后做着做着想 这样和翻译文章有什么区别，所以干脆直接整理一下这个研究方向，所以去找了一些这方面的研究，大概总结起来5篇文章吧，然后都下载了，看了看，打印完了爱着看了一遍，结论就是这篇SKT文章就是老流氓了，套概念，结果其实都差不多的，东拼西凑就文章出来了。 总共6篇左右文章吧，按照思路做了一下ppt，做ppt真的超级慢，之前老大对于做ppt一直有要求，所以做的比较慢。 到最慢边理解文章，边做ppt了，到最后做完差不多晚上1点左右了，然后就回宿舍了。 因为第二天上午面试，回去再看了一遍ppt，就完了。 coding、项目也都没有再准备了(现在想想确实是浪费了时间)；

面试

1. 没想到是研究员老师亲自面试，没有自我介绍，首先让我关了摄像头，直接语音就好；
2. 流程1: 文章，因为我准备的文章比较多，然后就讲的时间比较长，过程中老师能力还是很强的，看一下公式基本就知道在做什么了。 然后中间有几个我没注意的老师也提出来了。 总共差不多: 30多分钟;
3. 项目、文章: 这块比较快了，大概的讲了一些，主要老师想看看我们自己做的东西； 可惜这里很多都是不好量化的，科研能力等等都体现不出来； 差不多20多分钟;
4. coding： 因为时间是来不及了，所以给了一个很简单的题，用双指针没写出来，然后说了一个时间复杂度高的，然后说了复杂度分析，她说可以，就结束了，最后也没有写代码，然后就是让我等结果了，因为还有其他同学是需要面试的。

总结:

1. 给文章让讲的面试是第一次听说； 当然research intern也算是正常吧，毕竟主要是去发文章的；
2. 中间过程浪费了很多很多时间，没有好好利用;
3. 自己确实是平时做题的时候好像还行，面试时候就会出现，理解的不透彻，或者做的题太少，出现短暂的脑子空白， 从而变得慌；
4. 求stca爸爸捞我;
   

---

字节AI lab实习面试记录

前言

1. 随手投了字节AI lab的实习简历，因为觉得时间太晚了，所以对于具体的研究方向没有啥要求。
2. 字节ai lab内部结构目前还不清楚，所以完全是看运气。
3. 字节ai lab应该是国内少数的做 fqa、qa、kbqa的实验室了。

准备

1. 刷题: 把自己以前面经中的所有题都刷了一遍，但是好像发现没什么用，一个也没有考到;
2. 其他:
   2.1 bert内部细节
   2.2 BN那些
   2.3 过拟合那些;
   2.4 其他

面试(一面挂)

1. 面试官年龄应该35+,一看就知道是 leader级别了，面试过程中也能明显感受到技术积累很强;

2. 全程没有问简历;

3. 首先自我介绍，完了说说方向问题;

4. 让讲一讲KBQA的流程(我没做过KBQA)，然后我大概说了一下3种研究方法;

5. 让说一下一个完整的KBQA流程, 从构建到最后; 给定电影场景， 以及让说清楚其中的关键技术;
   5.1 首先数据获取: 百科、电影网站等等爬取数据;
   5.2 数据处理: 结构话数据处理(这个没啥说的)， 非结构话数据处理: NER+关系抽取+时间抽取。
   5.3 kbqa的流程了;

6. 提问非结构化信息抽取的技术难点:
   6.1: 回答: 三元组获取的难点： 自由文本的问题，很难抽取出来； 文本的省略、表达多样化等等问题; 然后解决就是很多的对齐、消歧等做法; 这个了解的不多，后面补补;
   6.2 其他的回答记不清楚了;

7. 实体链接过程中的 NER问题， 一词多义、一意多词解决方法;
   7.1： 因为之前看过一点，所以就说了几种方法; 大体两个方向吧。 主要还是: 实体type； 然后实体上下文信息; 实体之外的额外信息等等; 知识库那边的: 词典信息、属性、关系信息等等;

8. 问题中如果出现: 多个实体、多个关系、多跳关系分别怎么进行处理？ (直接懵逼，没做过真的很难回答)
   8.1 多个实体: 实体消歧义、句法树、句子模式学习等方式，定位关键实体;（这个完全自己发挥，答案不知道）
   8.2 多个关系: 关系分类等等，和上面差不多;
   8.3 多跳问题: 这个很常见，但是我不知道怎么推理，然后就说了 阅读理解中常见的多跳推理的方法(哎。。。)

9. neo4j数据库怎么进行多跳推理？
   9.1 真的不会，说了我是用仅仅是展示多一些，然后查询，更多的是用的 遍历的那种方式;

10. 中间还有一些KBQA的问题我忘记了;

11. 机器阅读理解模型，bert然后后面接 pointer net是不是就差不多已经解决问题了？ 模型上有什么创新嘛？
    11.1 我试图拉到阅读理解这块，打算说说阅读理解模型、阅读理解研究，被打断。 然后我说了 bidaf aoa等等模型以后，bert来了后面接模型上的创新的不多， 讲了一篇acl2019,bert后面用 句法树做attention的工作，然后说了一些GCN的方法; 然后具体没再说了;

12. BERT multi-head attention问题?
    12.1 从输入一个句子，然后公式推导了一遍，Wq,k,v ； 点积， 缩放， *V；
    12.2 只问了缩放: 然后说了文章中的原话、softmax那些。 然后说了文章中的实验结果； 然后解释了自己没有尝试，这些都是文章中说到的;

13. 分类loss_function:
    13.1 交叉熵, 然后说了一下;
    13.2 情景问题: 我不用logit回归，用普通的 线性回归可以预测达到同样的效果嘛？ 我说应该不行，然后我回答的不好，然后问我 限性回归的loss， 然后我结结巴巴说了 距离差距求平方和， 然后他问我， 你们现在还上机器学习的课程嘛？ 我说 我没上。自己学的。 这里大概原因1.这个问题回答不好 2.线性回归那里不是很清楚，回答不流畅。

14. 到这会差不多40多分钟了，完了做题; 一道很简单的题，找有序数组某个元素出现次数，O(N)肯定不用说了； 然后我说用二分查找，找开始和结束，他说这样最差情况复杂度会变为O(N),当时真的慌了。 然后让我想想看看怎么优化； 当时时间肯定来不及了，我就直接说了找下界、上届。 他想了想说 思路行得通，然后让我找左边的。 我写了然后结束条件他说while有问题，让我考虑考虑相等情况，我直接慌了， 然后一会儿就说不写了，时间差不多了，这时候 50分钟左右，然后问我有什么想问的嘛？ 我问了一些，然后差不多56分钟，我说没想问的了，就就结束了。 其实现在想想如果冷静一下，那个肯定可以写出来，毕竟字节lab一般都是 中等以及难，哎，浪费了一次很好的机会。

15. 补充: 中间问了 dst那个，没问项目，没问具体文章内容，问了讲讲dst和slot filling的区别: 因为我觉得真的区别不大，然后我说的 dst任务是nlp对话中的一个具体任务，然后现在主流的做法是拿槽填充做的，然后一些，，，。 然后说: 我觉得差别不大。 然后他又说: 这两个还是不一样的，从任务定义的角度再说说，然后我又说了一些，总之也不是他想听的额，然后他说： dst是一轮一轮，然后我说 对。。。难道就说这个区别？？？？？ 逗我？ 后面再仔细看看这两个区别吧。

16. 后面补充，想不起来了；

结果

过了2h左右问的hr，hr说没通过，给的反馈是: 项目深度不够， 然后代码还有空间提升(就是菜呗)； 完了就完了；

总结

1. 说实话，也没有问简历，很多东西真的是平时的积累i，可能这个是大佬面的，所以一般不问那些 套路的东西，BN、过拟合、w2v都不问。 主要还是: 具体场景，然后解决问题，还有就是自己太菜了，给了我一道easy我都没做出来。 kbqa的东西积累也不多; 阅读理解模型总结的也很多忘记了(过了年，基本没看过了)； 等等，总之问题很大很大。
2. 一般面试官遇到你会的，差不多你说完就下一个问题了，不会和你深入的交谈(我觉得主要是看你回答流畅不流畅)。 然后遇到不会的(回答结巴的),然后面试官会追着问，询问下去。 我有几次想拉回来，多讲一些我知道的，被打断了。 也不算是打断，就是切到下一个问题了。 可以试试，会的然后装不会，用一个思考的过程代替这种。
3. 下次加油!!!

---

腾讯PCG-腾讯新闻面经

前言

1. 投的暑期实习WXG， 但是后面才知道 WXG早都坑满了， 深圳-WXG， 深圳-PCG分别打电话问要不要面试，我拒绝了; 到后面过了几周 北京-PCG-腾讯新闻打电话问要不要面试，我说可以;
2. 本来都不想面试了，但是想着试试涨涨经验就面试了;

准备

1. 基本没有做准备，甚至于 之前的面经都没有看;

面试(挂了)

1. 问了项目 20分钟左右;
2. 写代码: dropout自己实现
3. 写代码： 二分
   4.场景问题： 垃圾评论识别
4. C++ map底层(不会)
5. BN
6. BERT
7. 忘记了

---

---

百度(AIDU)-内容策略部门面试(1H)-听口音应该是部门主管

0. 做题： 二叉树最近祖先： 递归思路; 链表交点思路;
1. 自我介绍：3分钟；
2. 介绍简历：分别介绍了三个项目+文章，讲的很详细； 40多分钟;
3. 最后问了损失函数， 多标签分类损失函数、所分类损失函数。
4. 有什么想问的嘛
5. 最后面试官总结： 以后可以讲的时候主要突出重点。

---

百度(AIDU)-搜索策略-机器学习算法工程师(1H)- 白白的小哥哥

0. 语言模块：
   C++的相关问题;
1. 编程部分：
   1）Tire树的实现; 增删改查；
   2）最长回文子串；（没做过题目，大概知道DP做，但是一直想用一维的做，没想明白转移方程，小哥哥带着我差不多写完了）
2. 机器学习部分：

• SVM：损失函数、高斯核物理意义，等等记不清楚了；
• HMM
• CRF：计算过程； 原理； 是不是全局最优化， 测试怎样选择多个结果；
• Beam Search
• 维特比
• EM
• L1稀疏
• 交叉熵为啥有用？ 概率归一化、MLE
• XGboost
• 聚类算法
• NER传统机器学习模型
• W2V两种加速方法的具体实现、原理
• 其他一些记不清楚了；

*总结:真的问的很基础，还是自己太菜了，很多东西仅仅是知道一点点，没有认真去思考、去看。

---

百度(AIDU)-知识图谱部门算法工程师(2020-07-08)-77分钟

• 自我介绍;
• 做题: 二叉树最近祖先
• 问简历-主要集中于: 信息抽取、图谱构建
• 场景问题-一些业务场景的问题解决;

百度(AIDU)-NLP部门算法工程师(2020-07-10)-一面+二面(2.5H)

一面:

• 三个模块: 数据结构+语言、机器学习基础、深度学习基础
• 全程基本没有问简历
• 两道数据结构算法题
• TextCNN
• 深度学习一些开放问题
• BERT等预训练模型

二面：

• 基本全是项目+场景
• 项目讲了一部分就打断了
• 接下来基本全是实际场景中的问题，问怎么解决
• 最后反问环节主要: 说他们做的东西基本在刚才的询问环节都已经问过了。

总结

1. 期待百度爸爸有三面;
2. 百度的面试官的态度真的可以的，很舒服。

---

面试流程

1. 2020-07-02 下午三点： 百度内容策略部门
2. 2020-07-02 晚上7点： 百度搜索策略部门
3. 2020-07-03 上午10点 百度小度平台
4. 2020-07-06 周， 周三下午4点： 百度AIG知识图谱部门

其他人面经整理

算法学习与求职经验(腾讯SP,滴滴SP,百度,华为)
关于找工作，说点对后人有用的话（内附机器学习算法岗面经）

百度

1. 百度AIG知识图谱部算法实习生面经（已拿offer）
   暑期实习还愿贴

百度：   百度内容策略部
一面：
问了transformer的encoder和decoder，几种attention的具体实现
BERT的优点，怎么对预训练任务的改进
算法题：判断链表是否有环

二面：
讲下SVM，软间隔、核函数
算法题：旋转数组

三面：
最优成就的一个项目，最遗憾的一个项目
面对压力怎么办，和同学，老师意见不一致怎么办
和不同部门怎么协调沟通，要数据不给怎么办
喜欢什么样的工作氛围，压力最大时是怎么处理的，职业规划
自己的优缺点，怎么改进
另外，有了解百度内容策略部等大佬吗？这个部门和美团的搜索与nlp中心比怎么样啊？

2. 百度暑期实习数据挖掘/机器学习/NLP算法岗三面总结

3. 百度 展示广告部 机器学习/数据挖掘/自然语言处理工程师

4. 百度 展示广告部 机器学习/数据挖掘/自然语言处理工程师

5. 【百度 Feed 知识图谱部 自动驾驶技术部】

6. 百度——推荐策略部——算法工程师（已offer）

7. 百度(算法岗)：

8. 百度（深圳）

9. 百度NLP算法面经