腾讯TCC nlp算法一面

整个面试过程持续差不多45分钟，但是问的知识点非常广，感觉面了一个半小时········
首先自我介绍~
针对GAN做数据增强问了问原理，数据怎么去噪的，输入输出分别是什么还有很多细节，有点记不清了
seq2seq如何做的，数据清洗怎么做的，为了更好的训练，做了哪些细节？字母大小写转换做了吗？怎么做的？padding技巧怎么做的，loss函数采用的是什么？decoder的输出的参照标准是什么？（这个我没回答上，印象最深）其他的细节问题差不多都回答上了。
TF-IDF了解吗？原理和IDF公式
word2vec两种训练策略讲讲，以及他的缺点是什么
如何改进他的缺点，提到了ELMO，ELMO的缺点又是什么？
如何改进的？提到了bert，简单说了一下bert是怎么改进ELMO的缺点的，没有深入挖掘bert的组成。
机器学习了解的多吗？SVM是如何提升泛化性能的？软间隔。
SVM的loss函数长啥样？
说一下RNN为什么会产生梯度消失？
LSTM又是怎么解决的？
优化器方面，了解adam嘛？原理是什么？为什么它的效果相对较好？和其他优化器做一下比较
给你一些数据做二分类，优化器怎么选择，学习率怎么动态调整？
各种评价指标了解吗？分别说说精确率和召回率的公式。AUC是什么？什么时候用AUC比较好什么时候用精确率和召回率比较好？
算法题是寻找一个数组中第k大的数（快排）说了一下思路。

总结：这一面面试官十分考验知识点的广度和深度，问的问题基本从深度学习到机器学习到数据结构都有，我的感觉就是，我的知识深度不足，有一些细节的地方没能有很好的认识导致答不上。应该重视基础，重视每个细节部分，并且要带着批判性的眼光学习，为什么这种方法好？他的缺点是什么，别人有没有改进，怎么做的？应用场景是什么？需要带着这些问题去学习。还有就是我本科不是计算机的，面试官认为我可能编程能力稍有欠缺，但是由于时间关系，并没有进行实际操作编程。