阿里 新零售（NLP 岗位）
一面
- 自我介绍
- 项目相关内容，xgboost 与 GBDT的区别，为什么选择 xgboost，以及 xgboost 的原理。
- 随机森林特征选取的用的是什么？（信息增益、信息增益比、基尼系数），基尼系数的公式推导，代表的含义。
- 样本不均衡怎么办？
- TextCNN 与 TextRNN 的区别，CNN 的卷积过程（一维与二维的区别）。
- 特征提取器的区别
- Attention 机制、与 Self-Attention 的区别。实现细节，Q，K，V的纬度不一致的时候，怎么处理？
- 特征输入都是 X，怎么去计算 Q，K，V。也就是走一层线性层，得到三个向量。
- 多头注意力机制的输入输出，残差网络层，如果 X 与 Attention 的通道数不一致，也就是问残差网络层，如果纬度不一致，怎么处理？
- 传统机器学习，逻辑回归、SVM
- 了解哪些排序？冒泡和快排的时间复杂度，最坏最优的情况，堆排序的复杂度。
- 算法：取 n 个数里面的前K个最大的值。
二面：（跪）
- 自我介绍
- 样本不均衡问题，样本增强？
- 项目模型上，怎么调优？特征层面，除了做过表征，还提取过如 bert 的隐藏层，去进行训练？
- 项目建模上，创新点是什么？怎么去缓解长文本的方式？
- NLG 自然语言生成的实践？
- GAN 对抗样本攻击？CV 方面有了解过？chatbot 闲聊机器人？
- bert 之间的微调过程？
- back_translation?
- self-attention 复杂度是 N*N，怎么去降低时间复杂度？
灵犀科技 （NLP 岗位）
一面
- 项目内容，为什么选取不同的模型，主要是 TextCNN、TextRNN、BERT 之间的区别。
- Attention 机制。
- 预训练模型怎么解决与当前任务不匹配的问题？微调的过程。
- 标注怎么标，怎么确保质量高一点，然后效率也高一点？
- python 怎么与后台前端连接？
- 算法：反转链表
联想 （NLP 岗位）
一面
- 自我介绍
- 项目内容，CNN模型的介绍，为什么要用残差网络。模型融合怎么做的。
- 样本不均衡问题。
- python 装饰器、生成器、map 函数、列表推导、python 特性
- 数据分析：pandas
- Linux 指令：kill 文件怎么操作，统计文本有多少行
京东（广告算法）（机器学习岗位）
一面
- 自我介绍
- 介绍一下认为比较好的项目
- word2vec 中CBOW和SG的区别，结果上有什么区别，怎么去选择这两种模型？谁快谁慢？那个更准确一点？
- word2vec 的两种优化方法，介绍一下？
- TextCNN 模型，卷积纬度是多少，（为什么卷积核要和词向量的纬度保持一致）
- RNN 中的每个节点不一致的情况，有什么不好？（实现长度可变，参数共享使得模型能够扩展到不同形式的样本(这里指不同长度的样本)并进行泛化。）
- Attention 机制，Q，K，V，手写 Attention 公式。
- 手写反向传播，手写 LR。
- 算法：数组中第 K 大的数。
京东（广告算法）二面
自我介绍
多标签问题如何处理。
word2vec ，两种方式的区别？word2cev 如何构造样本集？优化目标函数（两种优化方案）。
构造训练集，如何确定窗口滑动的大小？
window越大，训练越慢。还有一种说法是window越小，得到的结果越关注语法，window越大，得到的结果越关注语意。xgboost 如何计算特征重要性？特征信息增益是怎么做的？
Xgboost 与GBDT的区别？
SVM 里面的硬间隔与软间隔区别？
LR 如何实现非线性分类？在LR 怎么将低纬向量映射到高纬向量。
（1）利用特殊核函数，对特征进行变换：把低维空间转换到高维空间，而在低维空间不可分的数据，到高维空间中线性可分的几率会高一些。
（2）扩展LR算法，提出FM算法。评价指标的区别，如何去选择评价指标？
面向对象：继承跟多态的区别？
算法题： 2 sum
腾讯（应用研究）（机器学习岗）
一面
- 数据结构，栈和队列可以用什么数据结构实现？
- Linux 命令，查看 CPU 中有多少个核？
- 创建线程用什么命令，线程与进程的区别，进程间通信有哪些方式？
- 介绍下 Kmeans 和 DBSCAN 聚类算法，DBSCAN 最大的问题是什么？
- Xgboost 和 gbdt 的区别，xgboost 基于什么点优化（速度），lightGBM 与xgboost的区别。
- 数据挖掘一般用什么来做？特征重要度的实现方式，怎么通过特征区分正负样本？
- CNN 与 RNN 的实现原理，优化 CNN 和 RNN 耗时操作？
- 算法：两点确定一个矩形框，一共四个点，计算出两者最大的面积？（通用的方式，会有重合的部分）
平安科技 （机器学习岗）
一面
- 项目介绍，需要做PPT。
- 过拟合的解决方案。L1和L2正则化的区别，batchNorm，dropout，模型融合。
- TextCnn 的介绍。
- 算法：2 sum
- git 如何解决冲突。
- 模型优化？调参？
美团外卖 （机器学习岗）
一面
- 项目介绍
- TextCNN 分类通道数，卷积核数量？卷积的作用？
- 有哪些池化的方式，最大池化和平均池化的区别是什么？
- xgboost 模型如何对统计特征进行归一化？xgboost 如何选择分裂点？
- xgboost 与 GBDT 的区别？
- 算法题一：删除链表倒数第 N 个节点
- 算法题二：n 个数，把 n 个数分到 k 个桶，是每个桶的数值和尽可能最接近
二面
- 介绍下 TextCNN、TextRNN两种模型，区别？
- TextCNN、TextRNN与 Bert 差距非常大，为什么？
- 分类模型了解哪些？
- Bert 的原理？MASK 机制？
- Transformer 介绍，整个结构？编码层 self-Attention 怎么做的？
- Transformer 归一化层怎么实现的？batch Norm 与 layer Norm 的各自应用场景？
- 解决过拟合方法有哪些？
- 机器学习常用的损失函数？
- L1 与 L2 的正则化的理解？
- 算法1：链表反转
- 算法2：k 个一组翻转链表
