【面经】腾讯NLP实习面经（Offer已拿）

点击上方，选择星标或置顶，每天给你送干货！

阅读大概需要6分钟

跟随小博主，每天进步一丢丢

编辑：CVer

作者： 然然姐

https://zhuanlan.zhihu.com/p/112522996

纯学术分享，侵删

目前研一下，无论文，无实习，无实验室项目

计划是三月份开始找实习，目前由于疫情在家，无法回北京，但也不能耽搁，所以去投了下简历。

简历上就只有：

• 统计学习方法模型的python实现

• 还有一些nlp常见任务实现（文本相似度分析，文本分类，文本生成，attention翻译模型，transformer翻译模型）

或许是运气好，或许是第一份实习面试官看我研一要求也不高，顺利拿到offer

一面

一面的面试官比较年轻，主要考察的我简历上机器学习部分：

• 讲一下SVM，然后手推了一部分

• 然后决策树的实现，讲一下思路（ID3）

• 然后要我讲讲隐马尔可夫模型，然后怎么做的中文分词

• 然后推倒了一下维特比算法

• 文本相似度的计算

手写代码两个：

• dp算距离

• 二叉树的层次遍历

一面基本上都答了出来，都是纯理论的，手写代码也都挺快写了

二面

二面的面试官应该是组里的leader，风格和第一个面试官完全不同，一面如果是纯理论的话，二面就比较侧重对思维的考验。

• 问了我lstm，画了lstm的结构图，以及写了所有的公式，讲了下lstm的流程。之后他就问我lstm和rnn的区别，与gru的区别。之后在问我那么lstm面对特别长的文本，有什么解决办法呢？

• 然后问了问我nlp一些任务实现细节

• 讲一下transformer，attention，然后问我attention与self-attention的区别

• 在之后问了adaboost与gbdt，然后两者的区别，现在为什么kaggle比赛流行gbdt，而不用adaboost加树模型呢

之后手写了一个代码：

• 将给定数组按照给定的规则排序

二面总的来说我觉得自己回答的不太好，从一个问题入手，面试官会继续深入，然后抛出问题给你解决。手写代码一开始也只给出了O(nlogn)的方法，面试官问了还有更好的方法没有，想了一会儿才给出了O(n)的方法。

hr面

hr面总的就是聊聊家常，最开心的大概就是面试最后，听到“欢迎加入腾讯”hhh。

以上就是面试的详情，如果也有刚入门的小伙伴目前没有目标的话，我也给出一点点学习的建议（参考了之前去msra的学长以及知乎大佬们的专栏学习建议）：

首先入手机器学习看了吴恩达的视频，然后看李航的统计学习方法，反复推了好几遍，大约花了2个月左右，然后对其中的算法用python实现一遍，多去敲代码（make your hands dirty)。机器学习方面你就基本上有所入门了，接下来你可以去kaggle或者天池上找一些比赛，可以找志同道合的小伙伴一起尝试一下。之后深度学习方面你可以先从吴恩达的deeplearning课程入手，然后完成相应的作业（可以在github上搜），虽然有一些还是用的tensorflow1实现，但是你会对于rnn，lstm，序列模型，attention等等有一个大概的了解，之后重要的还是实践，你可以尝试使用tensorflow2去做一些常见的nlp任务，从词嵌入到文本分类到文本生成，可以尝试基于attention机制实现一个翻译模型等等，之后还可以了解一些前沿一点的transformer，bert等等，这时候你也有了一点点的工程能力，然后leetcode可以多刷一些题目，尝试去投投实习，毕竟个人学习的能力有限，在工业界见识一下，或许会有更好的成长

实现模型有困难可以参考我做的，代码都有详细注释：

https://github.com/watermelon-lee/machine-learning-algorithms-implemented-by-python

然后用tensorflow2做一些常见的nlp任务，仍然有详细注释啦：

https://github.com/watermelon-lee/NLP-practice-with-Tensorflow2

以上只是我的一点小小的建议，仅供参考～

---

投稿或交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。

方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

记得备注呦