• 作者：宝石
• 校对&整理：lucifer

vivo（已拿offer）

技术面（30min）

• 自我介绍
• 讲实习
• 讲比赛
• 问了些大数据的问题
• spark transform和action的区别
• 手撕了个归并排序

hr面（30min，技术只有一面）

• 自我介绍
• 家庭情况
• 讲一下实习亮点
• 有女朋友么
• 父母同意你去深圳么
• 讲一下优缺点
• 常规问题等等

昆仑万维（已拿offer）

一面（1h)：

• 上来自我介绍
• 讲一下判断回文链表的思路,多方法
• 用纸写一下反转链表
• 说说python shuffle怎么实现的，O(N)时间,O(1)空间
• 看你计算机专业，知道哈夫曼树吧，w2v有用，你能说说么（我就记得分层softmax了，实在是不会）
• 说说传统机器学习你都了解哪些？推一下LR，说一下原理
• 知道kmeans吧，说下迭代过程，簇心随机不好，怎么才能更稳定（类kmeans++）
• 说说深度学习你都知道哪些模型？我说了LSTM RNN，还没等说推荐的模型。。。
• 讲一下LSTM吧，门都是怎么迭代的
• 各个激活函数的优缺点，sigmoid relu leaklyrelu tanh，又说了下梯度消失
• Sigmoid求导是什么？
• 了解推荐么，说说都知道啥，嘴贱说了个CF
• 讲一下Item-CF，怎么计算相似度（用交并，也就是Jaccard距离，速度比cos快），用什么优化呢（倒排索引）
• 讲讲数据倾斜怎么处理吧？（用key+随机前后缀）
• 聊一下你这个项目里LDA吧？我直接说这个我用过没细研究（他也认同，说数学原理很复杂）
• 聊一下你这个项目query title统计特征都提了啥，跟他聊了一下，他和我说了一下他的业务理解
• 反问
• 做什么的（啥都做，业务很广。。。）
• 用哪些技术（啥都用，技术栈很广。。。）

昆仑万维二面（就是确认时间 不算面试）

• 和一面面试官聊的如何
• 知道他们部门做什么的么
• 接下来约一下boss面，确认时间
• 结束

昆仑万维三面（不到二十分钟，压力面）：

• 上来就问比赛，两个比赛都问了，和第一差距在哪
• 下面问题都是快问快答，都没深问，问题可能记不全了：
• 说下你实习吧，没说几句。。
• 你怎么解决样本不均衡的
• kmeans适用于什么情况
• python dict怎么用
• 为什么会产生哈希冲突
• python set dict list啥场景用
• 过拟合有哪些解决方法
• 牛顿法和拟牛顿法
• 200w不重复单词一口气放内存中，怎么放最省内存（不会）
• 你除了学习之外还做什么项目
• 平常刷算法题么，刷多少了
• 另一个面试官的问题不是压力测试
• 你希望做什么种类的工作（大概就是这个意思）
• 没得反问

京东

一面（40min)

❝

很好的年轻女面试官

❞

• 自我介绍
• 跟我聊了一下，然后说看你挺直率，我就直接说了，你想找推荐，我们是机器学习+组合优化，偏向运筹学，考虑么，（我说只要不是cvnlp，我全要）
• 考虑那就开始问些问题吧：
• 你讲讲你的实习，最亮点，给他分析了一波我采样策略。
• 你知道gbdt和xgboost吧，给我讲讲（疯狂吹逼xgboost）
• 你知道最大似然估计和最大后验概率估计么，或者挑一个你熟悉的说下（闭着眼睛推LR，啥伯努利分布，似然函数，疯狂扯）
• 来做个题吧，1000w个数，数范围[-1000, 1000]，写个排序（闭着眼睛桶排）
• 你能提前来实习么
• 反问（京东零售部的，技术栈balabala）
• 复试待安排

二面（30min）

• 自我介绍
• 找个比赛说说创新点，你主要做了哪些创新，最后模型为什么用CNN系不用RNN系
• 由于上面我说我工作有训练词向量了，让我讲word2vec的架构，和一些细节问题
• 为什么w2v向量在语义空间内有很好的数学性质，比如相加减
• 数学问题：M个样本有放回采样N次，问某条样本一次没被采中概率
• 给你均值方差，让你利用正态分布随机生成1000个点（不能用库，说的不是很好）
• 反问：哪个部门哪个组（零售-技术中台下）
• 为什么选择京东，京东有什么核心竞争力（疯狂扯，我说我不太看好那些不能落地的，因为jd是电商，整个算法流程系统化工程化一定很健全，也有实际落地，带来实际效益，面试官非常赞同）
• 最后手里有啥offer啊
• 没了

hr面（20min）

• 小姐姐人很好，迟到了四分钟，上来道歉一波
• 自我介绍
• 遇到压力大的时候，比如在实习问题解决不了了，你会怎么办
• 与mentor产生意见分歧要怎么做
• 未来如果入职京东，对领导有什么要求呢
• 你平常有什么学习习惯么
• 你平常会定期做总结么
• 反问
  • 当时问应届生入职需要做出啥改变，给小姐姐问懵了，我又补充说比如思想啥的需要有啥改变么，她给我讲了五六分钟，说的很直白，没啥官腔，说在学校如何如何，你来公司了又会如何如何
  • 啥时候有结果：她也不知道，她拿到的是乱序的面试名单，可能后面会统一安排通知

一点资讯

一面（不到40min）

• 自我介绍
• 讲你的论文，这块一直问，问得特别细节，也问了好久，估计面试官比较清楚这块东西。
• 讲实习，都怎么做的，遇到啥问题，怎么解决。
• 讲一下FM，DeepFM这一系列（我从LR，POLY2，FM，FFM，Wide&Deep，DeepFm说了个遍）
• 做了个算法题，A了
• 反问：
• 部门：算法部信息流，和我微博实习的比较类似
• 技术：做推荐 Java和Scala用的多一些
• 个人感觉像不招人。。。

大华

一面 - 大数据工程师（数据挖掘）（不到40min）

• 面试官很有礼貌
• 自我介绍
• 着重问了好久实习
• 着重问了好久比赛
• linux查指定文件前缀有哪些命令
• 讲一下hive和hadoop关系
• hadoop mapreduce 执行流程
• java 类和对象关系

百度

一面（1h）

• 自我介绍
• 介绍实习，然后疯狂挖实习，问的很深
• 问如果模型区分不开一些样本，要怎么采样？业界有哪些常用采样策略。我真是懵了。。
• 问了一堆fm，比如表达式，复杂度，改进复杂度的推导
• 了解深度学习么，从wide&deep出发疯狂问，有的是真不会，要再复习一下
• 面试官说了个DCN（深度交叉网络）,我还以为深度卷积神经网络。。。，结果深度交叉网络的细节也给忘了
• 我主动给介绍了下阿里的DIN和DIEN，他问这模型可以用在新闻推荐场景么（答不可以，因为新闻类实时性比较强balabala。。。不知道对不对）
• 如果想让你加入一个用户短期兴趣，比如刚发布的新闻打分低，要怎么改，（我记得在YouTube有个说了关于这个，我说加了个时间维度特征，或者时间衰减）
• 让我讲BN，为什么提出BN（好久没看nn的东西了，直说了个表象，容易收敛，面试官说为了解决输入分布不一致，bn可以拉回来分布，我把这个忘了）
• 从LR出发问了我sgd，如何改进，说了个momentum，再怎么改进，我说我了解个FTRL
• 说一下boosting bagging ，lgb为什么并行化效率高（答单边梯度抽样+直方图计算+互斥特征捆绑）
• 怎么分析并解过拟合问题的
• 算法题：三数之和
• 反问
  • 部门是推荐策略部
  • 主要场景是百度直播和贴吧推荐
  • 用Python和C++，不用Java

触宝

一面（1h）

• 自我介绍

• 数据结构基础

  • 数组和链表区别，应用场景
  • 疯狂问排序算法，最优最坏平均复杂度，稳定排序有哪些（好长时间没复习这个了，答得比较差）
  • 一个剪枝题，口述算法过程，分析时空复杂度
  • 说说面向过程、对象、切片编程的区别（我。。。。。。）

• 机器学习基础

  • 讲一下你了解哪些分类模型
  • 说说SVM
  • 讲讲id3和c4.5
  • 讲讲xgboost和gbdt
  • 讲讲怎么判断kmeans的k，聚类效果的好坏
    • k可以用肘部法则SSE（误差平方和）和轮廓系数
  • 讲讲分类，回归，推荐，搜索的评价指标
  • 讲讲lr 和 fm，fm的后续（ffm）
  • 讲讲你知道的各种损失函数
  • 讲讲l1 l2正则，各自的特点

• 深度学习基础

  • 说说deepfm，说说fm在nn中还有哪些（FNN，NFM，AFM）
  • 说说类似l1,l2正则化降低模型过拟合，还有什么别的方法
  • 说一下sgd→adam的过程（下面是面试后简单复盘，本身答的一般）
    • sgd
    • momentum 利用了历史信息，意味着参数更新方向不仅由当前的梯度决定，也与此前累积的下降方向有关。这使得参数中那些梯度方向变化不大的维度可以加速更新，并减少梯度方向变化较大的维度上的更新幅度。由此产生了加速收敛和减小震荡的效果。
    • rmsprop 在 Adagrad 中， 问题是学习率逐渐递减至 0，可能导致训练过程提前结束。为了改进这一缺点，可以考虑在计算二阶动量时不累积全部历史梯度，而只关注最近某一时间窗口内的下降梯度。根据此思想有了 RMSprop，采用的指数移动平均公式计算
    • adam 可以认为是 RMSprop 和 Momentum结合并加了偏差校正，因为初始化是0，有一个向初值的偏移（过多的偏向了 0）。因此，可以对一阶和二阶动量做偏置校正 (bias correction)，
  • 介绍下梯度消失和梯度爆炸
  • 都有哪些方法解决这两个问题
  • 你了解多目标优化，迁移学习么（不知道）

• 场景问题

  • 让你加一个兴趣类型特征 你要怎么做
  • 如何处理年龄类特征
  • 你了解相似向量快速计算的方法吗（就记得个啥哈希分桶，没做过）
    • 局部哈希计算，高维相近的点低维也相近，但是高维较远的点低维可能也相近，将embedding应设成1维，若担心把远的也算进来可以多设置几个hash函数等等。
  • 如何判断你模型上线的好坏
  • 给你个nn模型，如何调参，如何修改架构
  • 如何解决冷启动问题 用户侧，物品侧
  • 推荐系统的整体架构
  • 线上推断这部分再具体点怎么实现的

• 反问

  • 触宝内容推荐（小说）
  • 主要用python
  • 等后续hr通知吧

二面（45min）

❝

面试官人很好，和善可亲

❞

• 自我介绍
• 讲下实习做了哪些优化，问了些问题（我都没介绍实习，面试官已经直接点破我每一点实际都在做什么）
• 讨论了一下抽样，作为一个算法工程师如何将抽样导致的得分分布变化给拉回来？
• 因为实习模型是FM，详细讲了下FM，讨论了下FM的泛化性
• 用的什么优化算法，顺便介绍下sgd后续的优化，sgd→momentun→rmsprop→adam，一面问过的，复盘过
• 实习有没有除错过导致线上有点问题（还真有。。。）
• hadoop shuffle干啥的，为啥key相同的要放在一起
• python深拷贝和浅拷贝的区别
• linux 替换文件中所有的a，我说的awk或者tr
• 算法题：给两个字符串S和T，计算S的子序列中T出现的次数（dfs A了）
• 反问：竟然和一面面试官不是一个部门。。。二面面试官给我介绍了算法在他们公司都有哪些应用。。。
• 总之要有工程师顶层思维，不能局限于模型优化啥的。

大家可以访问我的LeetCode题解仓库：https://github.com/azl397985856/leetcode 。 目前已经35K star啦。

关注公众号力扣加加，努力用清晰直白的语言还原解题思路，并且有大量图解，手把手教你识别套路，高效刷题。