视源NLP面经二面 2021-05-14

前言

一面过了，今天就二面了
加粗的就是答不上来的
面试方式：电话面试

项目

说我经历很丰富，疯狂问项目的idea和细节，问得我有点害怕

• 跨域课题： 这个课题主题是什么，怎么做，槽描述是怎么样的；
• 我的paper解决了什么问题；创新点在哪里
• idea细节问问问
• 联合学习的一些方式，有哪些联合学习
• 依然对于四作问得很少，面试官似乎都比较喜欢深究一作
• 想让我现场提出论文目前的一个提升想法，我要是能现场想出来早发了

比赛

• 比赛的主要贡献是什么？
  不就是清洗数据、数据增强、调参这些琐事不停的做吗
• 数据清洗有用过哪些方式；
• 不同的bert预训练模型的特别之处；还了解过哪些预训练模型
  这次大概能说出一些了：roberta就动态mask；wwm就整个中文词mask；还有ELMO和GPT讲了一通
• 中文NER如何加入词语信息
  可惜我lattce-lstm和Ma的论文只粗略看了一下，但还是大概了解的
• 又问了NER大小实体覆盖怎么解决？
  比赛遇到过，直接加规则，把大的或者小的删掉
• 追问：还有别的吗
  或者用每一种实体单独预测边界，遇到多重预测就删大或者删小（其实也差不多）

其他

• python的内存管理机制和进程管理
  没复习，依然不会
• 操作系统中的进程与线程的区别
  讲了一点点，但是忘了好多
• OOM问题如何解决：
  减小batch_size；换大机器；单机多卡（他就是想问这个，但我不会）
• bert模型中的自注意力机制，分词机制（wordpiece）
  终于问到我喜欢的了，哭了

数据结构

• 链表是否存在环
• 字符串的最大不重复子串
  都不太熟，稍微说了一些，毕竟我没刷题没复习

实际应用

• 教育软件的问题分类，按照知识点分
  肯定有关键词，直接上注意力，不如直接上BERT，BERT forever，yyds
• 如果是多级分类呢，先分大类，再分大类中的小类
  粗暴就直接三次分类，改进一点就把大类的概率×各个小类的概率
• 又问了一次错误传播问题，大类分错了怎么办
  又回答了一次联合学习，大类小类一起分
• 说我联合学习也是一种解决方式，但如果想加一些限制呢，比如一类分到了函数这个大类，但是二级分类时分到了几何那边
  粗暴就直接加规则，但我说出了一个精妙的方法，用CRF的标签转移矩阵，设置一个类别转移，学习一个大类转移到一个小类的概率。
  不得不说我觉得我最后提出的这个解决方案我觉得还是挺精妙的，完美ending。

最后

二面面了一个小时，聊的还是挺愉快的，也有所收获，了解了这个公司的大概一些落地场景。