腾讯、美团、百度、华为等算法岗面试复盘

作者 | huasdahadi 

整理 | NewBeeNLP

进NLP群—>加入NLP交流群

写在前面

现在距离秋招结束也好长一段时间了，今天总结一下自己在秋招中的一些经验和教训，希望可以帮助到学弟学妹们。

先介绍一下我自己的情况，我本科211，硕士985，软件工程专业。我投的都是算法岗，最后有幸拿到了腾讯、百度、美团、网易游戏、华为公司的offer。

面试建议

我对于秋招、春招的建议，其中最重要的一点就是一定要多投简历多面试、积极主动（对于很厉害的人，当我没说😑）。因为每个人的侧重点不同，把过多的时间放在看帖子、复习基础上，可能会导致走偏了还一直没有发现，面试可以看出来哪些东西是重要的，纠正方向。

多投简历多面试可以针对性的发现自己的问题，一定要记录面试内容，方便后续复习。

积极主动更加重要，有很多的情况是投完简历就石沉大海，能获得面试的机会寥寥无几。我的建议是尽量找内推，至少保证自己的简历被看到，一旦发起面试，要主动跟进面试流程。

可能大家都懂这些道理，但是据我观察到的，做到这样子的真的不多！

废话就说到这里，下面是一些实际操作！！

秋招面试一般有笔试+三次技术面+hr面。

笔试在线上做一些题目

一面问基础知识和做一些算法题目。

二面会问一些项目或者场景题，但是如果一面的算法题目做的不好，也会继续做做题目。

三面就可能会继续聊聊项目论文，我的三面一般问的更多是解决问题的想法，这个就看不同的面试官啦。

hr面就是hr小姐姐问问自己的情况之类的。不过走到hr面就基本稳啦，不用太担心啦。

一、基础复习

基础复习部分主要包括：笔试+一面

笔试刷一些题目就好了，《剑指offer》上面的算法题目过一遍就可以了，时间充裕可以刷刷leetcode。

一面比较侧重于基础知识和算法能力。现场做题目不会有特别难的，大部分都是动态规划，套路也比较固定，看看之前面试的帖子，就可以啦。基础知识部分主要是算法、数据结构、计算机网络、语言基础这些，如果非科班的同学，可能需要在这一部分多下些功夫啦。对于机器学习岗，推荐看一下《百面机器学习》，因为我是机器学习岗位，其他不是很懂，就不乱讲了。

二、针对性复习

二面和三面对侧重于实习、论文、项目的东西，所以建议大家一定要把写在简历上的东西都搞懂，禁得住问，不然还不如不写了。。。

这个部分就是我前面建议多面试的关键，这部分内容其实自己很难复习的，需要面试过几次，了解面试官对于你的项目会问哪些问题，怎么问，然后针对性复习。

当然前期自己可以将论文、项目的介绍背的熟练一点。

其实说的经验不是很多，我比较主张实战练习，看了太多的帖子，也是别人的经验，没办法完全照搬。

下面是我的一些面筋，如果能帮到大家就很开心啦。

腾讯 cdg

一面

• Lr和树模型区别

• gbdt和xgboost

• rbf和xgb同等效果下，哪个更深（rbf更深）

• 过拟合

• 项目说说异常检测

• 统计：从大数据中抽取m个样本，怎么保证可以代表原数据集

二面

• 自我介绍

• 说一下异常检测项目

• 开放问题：时针分针一天重合多少次

• 自己的优缺点

三面 总监面

• 自我介绍

• 图像和文本在做的时候，有些什么区别

• cnn rnn attention 在文本上怎么用

• 为什么现在cnn 和 attention用的比较多

• AE，VAE随便说说

• 图像生成方法怎么检测异常

• 传统机器学习和深度学习怎么看

• 深度学习的解释性

• 网络异常怎么回事

• 我主动讲了多分类方法

百度

一面

• 自我介绍

• 会什么机器学习算法，说了lr、树模型

• 分类和回归有什么区别

• 讲讲lr，公式，做多分类怎么办（说多个二分类或者softmax）

• 讲讲svm，推一下公式，没推出来，怎么处理非线性，说说核函数，具体怎么做，软间隔

• 异常检测项目，简单说一下，目前有什么方法？

• 机器学习和深度学习有什么区别？

• 正则化有什么，l1，l2，分别有什么作用，怎么做到的，对应到概率是什么，拉普拉斯和高斯，具体说一下

• 文本分类，bert了解吗？输入有什么改进

• 说一下fasttext，有什么好处

• 做个题目，爬楼梯（动态规划）

二面

• 简单介绍一下异常检测

• 图像数据cnn介绍、物理意义

• 生成方法为啥可以保留住信息

• 稀疏图像进行压缩，hash，查找值多层hash

• 怎么判断哪些位置是不是0问题，用二进制

• 多标签情况下，如何判断一个标签该不该留下，考虑绝对值和相对值

• 用假设检验方法

• word2vec ，分层softmax，用的什么树，哈夫曼树，怎么做分层softmax

美团

一面

• 自我介绍 -说到xgb，说说优点

• 梯度怎么用的，体现在哪里，怎么求

• lr的公式以及梯度求解

• 过拟合，l1,l2，分别有什么用，怎么做到的效果（特征选择和防过拟合）

• 场景题：一个query，一些结果商品，怎么做点击率模型，怎么处理商家恶意点击

• 概率题：一个硬币，一直到一个人为正面停止，分别计算先手后手赢的概率，2/3，1/3

• 算法题1：两个有序数组，求中位数

• 算法题2: 翻转数组，找一个值

• 平面一些点，距离近的算一类，输出可以有几类（我用的dfs，复杂度高了点）

• 希望复杂度降下来，怎么办，提出用树，这个树怎么用？参考knn

二面

• 自我介绍

• 介绍项目

• 项目亮点

• 为什么异常检测没有异常数据训练

• 随机森林怎么计算特征重要性

• 分词方案个数：给了分词，给一个句子，有多少种分法，dfs 2^n

• 说动态规划方案，简单写一下代码

网易游戏

• 自我介绍

• fasttext word2vec

• lightgbm 和 xgboost

• 介绍项目 异常检测 一分类

• python使用 哪些模块 list 元组 python迭代器

• linux命令行 tail grep

作业帮

一面

• 代码题目：用先序遍历结果建树（带有空指针），后序遍历

• 验证分布是否一致（假设检验、t检验）

• 不均匀硬币，扔5次，3次正，2次反，求正面概率

• 加了正则化后，梯度方向是怎么样的

• Lr公式，为什么lr是凸优化的

二面

• 问了公司的内容

• 扔硬币，一个双面（花字），两个都是字，两个都是花；第一次是字，第二次还是字的概率（4/5）

• 林业局统计树木特征，有噪声（高度），如何去噪；（1、特征筛选（与高度有关的，种类、树龄）；2、划分数据；3、去噪方案）

• 两个二叉搜索树合并（先有序数组，合并，建树；时间O(n)）

• M*N矩阵，左上角开始走，一直走到右下角，只能向右或向下，多少种走法（递归或动态规划：f(m,n) = f(m+1,n)+f(m,n+1)，数学方法就是C_(m-1+n-1)^(n-1) ）

• 业务拍照搜题，月活下降，可能是什么原因（时间周期、技术、运营活动结束、法律政策、同类商品竞争、公关新闻）

华为

一面

• 做试卷题目

• cnn计算，1*1卷积核作用

• 数据增广、清洗

• 找代码错误 主要是char 最后需要加上 ‘\0’

• 代码：开平方，不能用乘，只能用移位做

二面

• 说一下异常检测项目，具体说说，为啥用sigmoid

• 又说了一下符号网络，简单说说

• 出了个题目，iou计算

商汤

• Lgb简单说说

• 写写代码：二分查找、拿硬币问题（dp）、最长回文

• 上面的问题，计算时间复杂度

二面

• 题一：1000以内所有质数

• 题二：根号n问题，优化方法，梯度下降，还有哪些

• c++ python 解释性语言区别

• pyc文件

• c++ 编译过程

• python 迭代 生成器 装饰器怎么用

• c++ new malloc free del 区别

• del [ ] del区别

• 卷积操作 怎么加速

• Gpu为啥比cpu快

• 模型部署，怎么加快inference，剪枝之类

进NLP群—>加入NLP交流群

知识星球：NLP学术交流与求职群

持续发布自然语言处理NLP每日优质论文解读、相关一手资料、AI算法岗位等最新信息。

加入星球，你将获得：

1. 最新最优质的论文速读。用几秒钟就可掌握论文大致内容，包含论文一句话总结、大致内容、研究方向以及pdf下载等。

2. 最新入门和进阶学习资料。包含机器学习、深度学习、NLP等领域。

3. 具体细分NLP方向包括不限于：情感分析、关系抽取、知识图谱、句法分析、语义分析、机器翻译、人机对话、文本生成、命名实体识别、指代消解、大语言模型、零样本学习、小样本学习、代码生成、多模态、知识蒸馏、模型压缩、AIGC、PyTorch、TensorFlow等细方向。

4. NLP、搜广推、CV等AI岗位招聘信息。可安排模拟面试。