寫在前面

三月面試了好幾輪，寫個帖子記錄一下問過的問題，為接下來的其他公司的面試查漏補缺一下，也給大家一些準備的方向。

騰訊

一面（涼）

自我介紹

問做過的項目，同時在過程中穿插用過的模型的問題，比如

word2vec兩個模型的損失函數是什么

cbow和skipgram的比較，為什么skipgram會更好，哪個的計算復雜度高

為什么使用隨機森林

決策樹的分裂方式是什么，根據什么變量來決定分裂變量

手撕代碼

給一個數N，k，每一輪可以進行兩種操作的其中一種：①所有的數拆分成兩個更小的數；②所有的數-1。已知拆分操作只能進行k次，問 最少需要多少次把所有數都消去

給一串數列，這串數列有正有負，但是總和為0。每個數xi代表一個村莊，正的表示村莊想賣出xi份水果，負的表示想買入xi份水果。兩相鄰村莊間的距離是相同的，單位距離運送一份水果的運費均相同，每份都是k。問，把每個村莊的需求和供給都解決掉需要的最少運送費是多少？

這是第一次面試，涼得很徹底，因為很多算法細節都沒有好好復習，而且代碼寫的也不夠整潔快速

阿里螞蟻

一面

面我的是多方安全團隊，問了很久他們做的東西，具體還是不太懂，大概意思就是法規限制了我們獲取的數據規模和維度，要用有限的數據進行風險評估（比如銀行貸款啊之類的）

問了我們碩士是授課型還是論文型，問了我們現在專業學習的東西和機器學習相關的部分有哪些，

然后問了我做詞向量的項目，問優化方向之類的，有沒有根據文本特征做定制化的算法調整

然后問了xgboost和randomforest的區別。什么場景表現會更好之類的。

然后問了一道邏輯題：兩個人抽100個球，你是先手，每次兩個人只能取1-6個球，問怎么抽才能使得你是最后一個把球抽完的

問了一道挺基礎的算法：找出有序數組中位數，想優化時間復雜度。

感覺不是很匹配，面試官的意思是想要的是那種潛力型，會融合很多算法，開發新算法的人才，我太菜了

美團

美團的筆試還是做的挺差的，五題只做了兩題，兩題都只有27%。。

一面

word2vec

訓練過程訓練原理

訓練的損失函數

我看到你做多分類情感分析多分類問題的損失函數是什么

Soft max的計算公式是什么？為什么使用指數函數？

LSTM的信息傳遞機制是什么？他和RNN相比有什么優勢。

Bert

他和普通的Word2Vec模型相比優勢在哪里

他為什么會有這樣的優勢(優勢，指的是他能生成語境化的向量

Bert中的 transformer

attention multihead attention

注意力機制的運行過程是什么樣的？

注意力機制中對于每一個詞的分數會進行標準化，請問這一步的目的是什么

你剛剛提到batch normalization

BN的作用是什么？它有四個公式，每一個公式分別是什么，有什么各自的作用

我對于每一個Batch 都計算出來了他對應的均值跟方差這些，它們相互獨立的嗎？還是會相互影響。

我看你大多數是自然語言處理的事件，你有做過計算機視覺相關的任務嗎？回答：有機器學習課上嘗試手寫卷積神經網絡的代碼

卷積神經網絡的權重是怎么更新的，平均池化和最大持化的反向傳播是怎么運作的？

沒有手撕代碼，但是讓我直接實現kmeans的偽代碼，不用編譯

總結來說，美團一面問的都很基礎的深度學習問題，都答出來了，因為準備過，所以說的時候比較有自信，然后挺流暢的。面試官就說覺得我基礎知識挺扎實的挺好的（這個小哥人很nice，也是第一個這么夸我的面試官，挺受鼓舞的，很謝謝他

二面

大部分問題和一面的很接近，但是面試官好像是一面面試官的老大，會從更多維度來問你

word2vec訓練過程的最后一步有什么辦法可以優化softmax的計算，我沒答上來，他就告訴我說是指數函數的計算會用查表來近似代替

你大部分用的神經網絡都是比較淺層的，有沒有試過更深的神經網絡

有做過圖像方面的深度學習項目嗎

有沒有在實踐中應用過transformer

最后面試官的評價是基礎知識比較好，但是實踐經歷和業界場景有差距emmm，然后面試才剛剛開始，沒這么快能給你答復（好的我知道我是備胎了55555美團是我很想去的公司，我面試的部門是做美團外賣的推薦廣告業務的，在他們場景中會用到很多的深度學習的模型（圖像+nlp）來提取特征和做推薦預估, 而且關注了美團的技術博客，他們做的很多東西我都覺得和自己做過的項目很match。

原文標題：算法崗面經整理！查漏補缺

文章出處：【微信公眾號：算法與數據結構】歡迎添加關注！文章轉載請注明出處。