Nlp面试题-互联网

最新推荐文章于 2024-09-13 09:52:14 发布

cyong888

最新推荐文章于 2024-09-13 09:52:14 发布

阅读量441

点赞数

分类专栏：笔记数据挖掘机器学习

本文链接：https://blog.csdn.net/cyong888/article/details/103916839

版权

机器学习同时被 3 个专栏收录

11 篇文章 1 订阅

订阅专栏

数据挖掘

7 篇文章 0 订阅

订阅专栏

笔记

2 篇文章 0 订阅

订阅专栏

微信，头条，快手, 阿里的nlp面的问题

1.面试必读:

模型问的比较细，问你的模型基本都是从你的简历中出现的，这也就以为这你平时工作中需要注意一下几点：多读多记多重构

1.1多关注一下深度学习相关的公众号，多读，多记
1.2某一具体方向点的知识，最好直接看英文文献，中文翻译的时候，看的似懂非懂，譬如可以看一下 bert的论文，attention is all you need 等，这样理解更深刻。
1.3 多重构多实践，譬如可以自己手动写一下bert方便理解。
1.4 每周工作的时候，需要有业务产出的压力，很多同学都忽略了自己成长的部分。最好是业务成长和个人成长结合起来。譬如有的需求可能需要规则产出效果，但是也要给自己留出学习的时间。
1.5 工作中多思考：譬如增加这个模型的意义是什么？是来解决什么问题的？不加会怎么样？而不是项目完成就完成了。譬如在序列标注中，为什么最后一步要增加CRF，这个的意义是什么？其实可以在项目过程中，自己多思考，然后做实验看效果，就搞清楚了。
1.6 看面经之后，一定要记录下来自己的理解，形成自己的话，而不是死记别人的答案。这样不容易收敛。

2. 具体面试题

2.0 模型= 数据(如何找到训练数据) + 网络结构（用的是cnn还是lstm 等） + loss选取（交叉熵？） + 优化器选取（adam？） + 超参（如何调试）
2.1 lstm 是为了解决rnn的什么问题而提出的，他是如何解决的？如果只是为了解决梯度消失，那直接配一个 skip connection 残差网络是否可以？为什么？ (快手+ 头条)
https://blog.csdn.net/laolu1573/article/details/77470889
https://zhuanlan.zhihu.com/p/28749444
答：rnn可以解决很多序列问题，什么时候用到lstm，视情况而定。当处理的文本较短的时候，rnn就可以处理的很好，不需要lstm，当处理的文本长的时候，就需要lstm了。因为rnn 解决不了长依赖的问题。考虑一个语言模型，它试图根据前面的单词预测下一个单词。譬如：云彩在天空中。天空这个词可以通过rnn 预测，不需要lstm也可以。但在某些情况下，我们需要更多的上下文，再譬如：我在法国出生。。。。我可以说一口流利的法语。
不幸的是，随着这种差距的扩大，RNNs无法学会连接信息。法语的预测rnn 就搞不定了，需要lstm
2.2 模型优化器都有哪些？最好的是哪个？它好在哪里？ Adam 动态调节学习率 (微信和头条)
答：批量梯度下降，随机梯度下降，mini-batch 梯度下降…adam
a. 批量梯度下降BGD:
优点：对凸函数可以收敛到全局最小值；对非凸函数可以收敛到局部最小值。
缺点：全部数据都需要参与每一次的参数优化；速度慢；新数据不然容易加入到训练过程中；消耗大量内存
b.随机梯度下降 SGD:
优点：速度快，比较快，并且可以新增样本
缺点：每一条数据就更新一次参数；loss function 有严重的震荡
如果learning rate 设置的小一点，SGD和 BGD会有一样的收敛性
c. MBGD:
优点：
缺点1：不能保证可以很好的收敛。rate 太小收敛速度会很慢；rate 太大会错过收敛点。
缺点2：对于非凸函数，还要避免陷于局部极小值处，或者鞍点处，因为鞍点周围的error是一样的，所有维度的梯度都接近于0，SGD 很容易被困在这里。
d.Momentum
就是改变了参数更新的公式，在惯性方向收敛的更快了。
e .Nesterov Momentum , 对 Momentum 做一次优化
fgh：adagrad，RMSprop,adadelt(adad)

https://blog.csdn.net/SHAOYEZUIZUISHAUI/article/details/81705001

2.3 序列标注里面的 crf是用来干嘛的？它的作用是什么？它是为了解决哪一类case 而出现的？(头条)
答：序列标注模板用的是BIOE的形式
B：begin
I：中间位置
E: end
O:other
假设数据集有两种实体类型：人物(Person)和机构(Organization)。同时假设采用BIO标注体系。因此会有五种实体标签：

B-Person
I-Person
B-Organization
I-Organization
O
如果不用 crf 可能会出现不是 B开头的标注
也可以会出现标注动词开始，标注动词结尾，但是中间有标注名词。
所以crf的作用是:
a.句子的开始单词的标签类型应该是B或O，而不是I
b.限制一些格式。如B-Person I-Person是合理的，B-Person I-Organization是不合理的
crf如果继续往下问：会设计到转移矩阵，转移概率，马尔科夫等，可以再看看。
2.4 loss ，尝试过修改loss 吗？(阿里)
2.5 attention的原理是什么？它学的是什么？(微信)
2.6 你知道的loss 都有哪些？（滴滴）
2.7 归一化你都了解哪些？知道BN么? 它的实现原理是什么？
2.8 你遇到过梯度消失的问题么？训练的时候，你是怎么解决的
答：梯度消失的解决方法有很多（1）激活函数换成 relu 和 leakrelu；（2）用lstm 取代 rnn，lstm用很多加法代替乘法。http://keep.01ue.com/?pi=371459&_a=app&_c=index&_m=p
2.9 BN 来解决什么问题？原理是什么？如何使用
答：可以解决梯度消失；正则化；
原理 1 每个batch内的某一个维度做归一化； 2 做完之后做一次线性变换
使用的的时候，是在每一层做非线性变换之前加入
2.10 bert的结构，以及和transformer的关系
这个一定会问，一定要搞清楚
transformer 主要包括几部分
bert的结构是什么
2.11 lstm 和 gru的区别
2.12 gbdt是否需要归一化？为什么
2.13 如何解决过拟合的问题？
2.14 过拟合的表现是什么
2.15 深度学习 loss不下降的解决方法：
https://blog.csdn.net/zongza/article/details/89185852