2020秋季实习面试

一、背景

• 我最喜欢的tengxun, 今年北京nlp实习直接没有hc，觉得就没有缘分。。。
• zijie AI-LAB简历冷冻。[无法投递]
• 投递走了官网+BOSS直聘.
    牛客也靠谱, 但自己刚开始投牛客上只有zijie和pingan。
    投了zijie、jindong、didi、baidu、ali，安排了一周的面试。
• 一共花了两周时间，一周往各个厂投，一周每天都在面试。

二、面试经历

  按时间罗列

1. jindong

  好像是做广告推荐的，但我做NLP，其实并不match，邀请面试可能是因为相关知识点里写着熟悉常用的机器学习算法吧。

• 1、自我介绍+项目介绍
    中间穿插着问了一些问题。
• 2、简要介绍下Focal Loss
• 3、样本不平衡时，二分类问题有用过哪些评价指标呢？
    面试官想听我将ROC曲线和AUC，对不起，我没用过, 我做的项目就是比赛，指标当然是比赛的评价指标咯, hhh.
• 4、说一下你用过的评价指标？
• 5、LR和决策树最近在用嘛？
    没有在用,而且好久没看了。hhh， 我就这么耿直(现在想想，想笑)
• 6、那你最近有用哪些机器学习的算法？
    HMM和CRF，面试官楞了一下，没有细问，吐槽自己为什么他没有问，我也没有主动说呢？？？
• 7、说一些过拟合和欠拟合吧？
• 8、写一下快速排序吧。
    内心吐槽，???这么基础的问题嘛，但我上一次看快排是5个月前，然后有个边界问题卡了20分钟，最后解决，我当时好想假装晕倒。
• 9、写一下最大连续子数组和。
    哈，动态规划，秒了。。
• 10、反问三个问题。
    问了下通知时间大概什么时候。

然后没有下一面了，— — !
  但是，面试官真的不错，只能说岗位不match吧，事后还在想，这面试官我还蛮有眼缘的。

事后总结：
  看了快排的边界条件, LR逻辑回归推导，决策树的分裂准则，以及ROC曲线画法，和AUC的意义。

2、zijie广告部门

  简历是之前联系我的一个hr小姐姐帮忙投的，走的内推。现在不造要不要道个谢，内心纠结，不过我可能校招是无缘字节了。
  面试整个流程依旧是机器学习。。。

• 1、自我介绍+项目介绍
    中间穿插问一些问题。
• 2、谈一下过采样？
    我说我是随机过采样，我猜到面试官想让我说SMOTE算法吧，可自己也没实操过，只是看了几眼，所以没说。
• 3、样本不平衡时用哪些指标，ROC是怎么画出来的，AUC的意义，公式计算，以及推导，AUC受阈值影响不？
    AUC公式推导，没答出来，之前看得有点粗糙。
• 4、介绍一下LR，LR是线性分类器还是非线性分类器，LR用的对数似然和交叉损失熵有啥区别？
    LR是线性分类器，因为决策边界是线性的，LR的对数似然就是交叉损失熵。这两点也没答出来。
• 5、计算 x^ (1/2)
    梯度下降，也好久没写了，我连梯度下降的精髓都没想到，解决凸优化问题，我刚开始直接定义L = y - f(x), 这是线性问题，所以无解，之后面试官提示下，我才想到均方误差。
• 6、沿用第5题，所求值如果是1000000怎么优化梯度下降？
    懵, 调整步长呗，但觉得学习率衰减，以及其他学习率策略…学习率都不会根据y值有太大变动，而Adam我一时可能也写不出来。这里的感触就是，这种自己都说不清的，猜结果的时候，猜的时候声音大点，自信点。要不人家也没听到。hhh
    最后面试官建议牛顿法，听过，但忘了。

事后总结：
  肯定挂了呀，超级难受，其实接zijie面试的时候就难受, 在想为啥我做了一年nlp，却面我广告算法。
  之后对zijie提的问题做了小结。

3、didi

一面：

  面试官声音很有磁性，不紧不慢。是我想成为的人。

• 1、自我介绍+项目介绍
• 2、问了各个评价指标, macro-f1和micro-f1的区别。
    面试官一直说我不精简，的确我说的比较啰嗦。
• 3、知识蒸馏
• 4、介绍stacking level2阶段
• 5、说一下cnn、rnn、transformer在文本分类中的优缺点。
• 6、xgboost还记得不?
    老实说，不记得了，但之前推到过公式、看过论文，如果可以的话，可以二面问。
• 7、谈一下分类任务和命名实体识别的区别？
• 8、bert和robert的区别？
• 9、topk问题
• 10、好像还有一道算法题。忘了
• 11、反问一些问题

事后总结：
  因为岗位match, 所以很舒服，算法题也不难，老师也很棒，磁性声音就觉得很和蔼，超级开心的面试。

二面：

深度学习+机器学习

• 自我介绍+项目介绍
• 讲一下bert，假如我是个外行人
• bert做ner的时候, get_sequence_output的结果包含CLS嘛？
    面试官说不包含，我下来看了一下源码，是包含的。
• 讲一下transformer, transformer有哪几种attention， encoder-decoder的输入QKV分别是什么？
• 讲一下过拟合和欠拟合
• 讲一下梯度消失和梯度爆炸原因
• 讲一下relu优缺点，以及有什么新的替代的激活函数
• 讲一下bert和robert的区别，为什么取消NSP有效
• 讲一下LR，LR为什么用交叉损失熵，而不用均方误差？
    年龄大了，脑子不灵活了，面试完想到的，如果用均方误差，那想象一个二维平面中，和一个点同等距离的是一个圆，这样体现不出来概率的远近，所以mse不适合分类任务。
• 了解ELMO么
• 一个业务题，具体忘了
• 两道算法题，也忘了
    总之不难。
• 反问三个问题

事后总结：
还行，但二面有点虚，因为有2个点没答上来。

三面：

没有技术了，谈了谈薪资福利，培养机制问题。

4、baidu

一面：

• 自我介绍+项目相关
• 业务提了2个问题
• bert可以做哪些任务，列举一下
• 算法题-字符的编辑距离
• 算法题-将文档中的所有字，如果在字典中存在，转为对应索引。
    感觉kmp还行，但是kmp忘了，所以说了暴力，写暴力又在想优化，所以暴力也没写好。。
    小结，写暴力的时候，就认真写暴力，别想优化，否则面试官认为你暴力都写不出来。。
• 反问

二面：

• 自我介绍
• 算法题-奇数放前面，偶数放后面， [不改变元素相对位置]
• 算法题-根据字符串建树
• 实习介绍
    面试官夸我，开心
• 业务题-具体忘了
• 业务题-事件抽取的细节，如果某两个槽位很像怎么办？
• 反问
  您觉得我的缺点是啥？
    面试官说我其实做了很多事情，但没有说出来，实习的时候，面试官在意的主要还是沟通能力。

事后总结：
二面其实就是说说笑笑，超级开心

三面：

  之前二面提到不涉及技术了，但三面还是加了部分技术？

• 自我介绍
• 比赛经历
    三面注重点在和队友的搭配上。
• 项目经历
    注重点在和实习老师的交流上
• 算法题-二叉搜索树转双向链表(从小到大)
    口述即可，无需实现。
• 业务题-一个文档有标题和正文两部分，如何判断两个文档是重复的。
• 反问

5、ali

  我不应该接笔试邀请的，因为等不了阿里的流程，接阿里的电话其实当时很尴尬。

笔试：

  像是一面，但不是面试

• 自我介绍
• 业务题
• 算法题-合并两个有序数组
    面试官希望我反向合并吧，我当时觉得没有意义。
• 算法题-寻找二叉搜索树中的目标值，如果找不到返回比target小的但最接近的。
• 算法题-等概率生成K个数，不能重复。
    这种技巧性的，没见过，就是不会
• 算法题-快速排序。
• 反问：
    问了ali流程走完需要多久，面试官说最快3周，提到了打算下周入职，可能等不了那么久，但还是希望去阿里。

  比起想去阿里，我其实更不想呆在学校了，阿里可能也不会有下面了，毕竟提到了可能等不到流程走完，而且有道题还没做出来。

总结：

• 沟通能力
• 自信
• 岗位匹配
    岗位不匹配，我就像个傻子，虽然机器学习基本推导我也能推出来，但一直细挖，受不了。