前言
作者是一名今年参加校招的应届生,更是小编的校友学弟,本文写在校招结束三个月后。
希望通过这篇秋招总结帮助到想找搜广推算法岗的后来人。先说一下我个人的情况,非计算机专业本硕985,2个比赛&1篇paper,bat其二+小厂实习经历,最后拿到batk的offer,经过综合考虑签了鹅厂。
在这里也欢迎各位从事推荐及广告的小伙伴加入我们,一起交流学习,一起进步。
如下仅为部分面经,墙裂欢迎各互联网大佬来撩,废话不多说我们直接看面经。
具体面经分享
字节跳动
一面
无自我介绍,开局“我们来做个题”
3sum
推导题:计算排列组合的数量,有N根绳子,每根绳子两头不一样,现在计算可行的连接组合方式,可以自己和自己首尾相连,也可以和其他绳子连。求N根绳子有多少种方法?
基础的机器学习问答环节
推荐系统业务问答环节
无反问
二面
无自我介绍,同样“我们来做个题”,手写一下kmeans吧
基础的机器学习问答环节
推荐系统业务问答环节
“如何设计一个推荐系统”
反问
三面
无自我介绍,又是“我们来做个题”,手写一下lr的训练过程
推荐系统业务问答环节
最近在读什么书?
反问
阿里
一面
自我介绍
过简历,阿里第一轮主要都聊简历了
讲一下推荐系统的架构吧,主要有哪些部分组成
常见的ctr算法都介绍一下吧,你觉得他们的发展有什么规律,以及未来ctr model的发展方向
反问
二面
自我介绍
过简历,非常仔细地问了我的paper,有哪些attention机制,和你这个有什么区别,qkv那一套的矩阵维度都是什么?
“如何设计一个推荐系统”
反问
交叉面
自我介绍
过简历,同上
一些无关痛痒的机器学习q&a比如学习率怎么调,选l1有什么用之类的
无反问
四面
自我介绍
过简历
“如何设计一个推荐系统”
你的职业规划是什么
反问
快手社科
一面
快排,没错是快排
给定一个长度为N的数组 里面有1~N+1这些unique的数字,其中少了一个,怎么找出少的这个,不允许用额外space
过了一下简历
机器学习问答,都很简单,有一个要从两种数学角度解释l1和l2的 (一个是画图,一个是数值角度)
无反问
二面
dfs输出全排列,没错是dfs
过简历
机器学习问答套路题
场景设计题:现在我们要给快手上的视频用半监督方法打标签,target是印度风的视频,已知印度快手上传的视频中印度风bgm的比例远高于其他国家,现在给你视频的bgm和上传国家两个特征,设计一个方法给这些视频打上是否是印度风的标签。个人感觉这个有点像半监督召回问题
反问
hr面
一些无关痛痒的问题,家在哪,女朋友。。拿了谁家offer,有腾讯还来不来快手
百度大搜
推荐系统如何解决马太效应?
深度点击率预估模型如何选型?
svm gbdt dnn如何选?
离散、连续特征如何拼接?
多模态特征怎么融合?
多路召回怎么融合?
如何解决广告位置bias?单点预估(无位置信息)怎么预测ctr?人工权重怎么加?
如何在不降低总体指标的情况下增强ctr模型实时性?
如何填充曝光未点击样本的点击率?
如何evaluate新feature是否work带来提升?
总结
关于面试准备,主要分为1手撕代码2机器学习基础3概率智力题4业务题:
1.手撕代码部分算法岗普遍难度没有开发那么高,甚至快排二分仍然是高频题,九章算法+剑指offer够了(转专业选手,科班当我没说)
2.机器学习基础请见各种机器学习三千题,其实大部分都是常识,如果能灵活运用,那恭喜你明天来上班吧
3.这一类题目我在面经里学到了很多,另外其实学校上课和作业里也有很多类似的。比如sample standard deviation为什么用n-1不用n,注意积累吧
4.去实习。另外强推王喆老师《深度学习推荐系统》
对于搜广推的同学,有相关的实习经验是巨大的加分项,因为比如“如何设计一个推荐系统”这类高频问题是很难在书本上学好的,再说一下所谓的算法岗“诸神黄昏”,现在的行情已经不是会svm就能进大厂了,想用一年时间转算法的同学还是劝退劝退劝退,起码要看三四门所谓的教程网课,有一两段实习再说,但是不妨碍研1的同学来了解这一行,去实习就会慢慢变得qualified了,工业界需求依然很大,但是需要的是qualified candidates。另外这一行的门槛可能没有纯cv,纯nlp那么高,行业发展速度极其快,技术迭代一两年一个样,这也导致了很多面试官来不及更新自己的题库,所以面试还是不要怕的,keep clam and move on。
最后祝学弟学妹们明年求职顺利,也祝现在还未上岸的同学朋友们尽早找到自己心仪的工作!欢迎大家来交流~