作者 | zjwang
来源 | 见文末『阅读原文』处
整理 | NewBeeNLP公众号
写在前面
北航本硕,非科班
对搜索推荐比较感兴趣,平时看的文章比较多,所以聊的比较偏这一块
大四时一段五个月的nlp方向实习,主要做基础embedding
一面
主要是问之前实习经历
涉及的模型/算法 包括
word2vec、lda/plsa、ELMo、n-gram比较基础
fm、gbdt+lr、ffm/afm/deepfm这些特征模型
爬虫、qps多少
hmm分词、前后向最大匹配
字典树
算法题:给定一个数组和一个整数k,判断数组能否被分为多个和为k的子数组
P.S. 回溯法,写得不好,很乱,以为没后续了
二面
涉及到我自己的项目,问到了:
RL基本部件、Q-learning、policy gradient
double DQN、priority reply、reply buffer
还有一些比较基础的内容:
过拟合/欠拟合
xgboost和gbdt的区别(答得不好,没准备过)
id3信息增益、c4.5信息增益比、c&rt的gini系数
C&RT回归树
数据不平衡,auc和pr曲线如何选(这个选roc,pr相对来说不稳)
auc和pr在推荐之中的偏好(auc偏向于降低推荐用户不喜欢的内容,pr偏向于提高推荐用户喜欢的内容)
协同过滤、冷启动、推荐的多样性(基于用户)
ridge regression和lasso regression
L2正则化的表示定理、kernel
LSTM
Kmeans、GMM、pLSA的EM算法
svd、pca、lda
伪随机数线性同余
BERT(我只用过ELMo)
函数变换采样、重要性重采样(RL的off-policy的思想)、接受拒绝采样
gibbs sampling、马氏链的细致平稳条件
算法题
股票价格 leetcode那个
给定一个数组,拼接一个最大的数(会溢出,用字符串做)
P.S. 这一面问了好多基础的ML算法,其实都不难,细心复习一遍就可以了,我答的比较磕巴
技术终面
一直以为字节是四面,hr打电话直接通知是技术终面了,给我紧张的要死????,那天下午连面腾讯、字节跳动、百度三家,心累了
三面应该是交叉面,面试官不太懂我做的方向,不过人很好,看二面同学问的很详细了,就重复强调问了下细节,这里就不细展开了
算法题
城市模型leetcode 807,给水平、侧面的视图(最高高度),问最大体积是多少
没做过啊,O(n^2)去取交叉最小值,问可不可以优化,可以先做排序,然后每次去除最小的一行或一列O(nlgn)
- END -