Skip to content

interview.md

Latest commit

 

History

History
168 lines (138 loc) · 13.1 KB

interview.md

File metadata and controls

168 lines (138 loc) · 13.1 KB
Raw
layout default

记录从2025年上半年找实习以来的面试被拷打经历，有我自己的有同学的，按时间排序。
长大后，我要当面试官，狠狠拷打每一个人

高德地图，实习面试，来自同学

transfromers和RNN, LSTM的区别
解释一下梯度爆炸和解决方法
BN和LN的区别
讲讲了解的激活函数
怎么识别 / 解决过拟合问题
XGBoost和随机森林的区别

腾讯TEG，实习面试，来自我

一次KPI面，我投递的腾讯地图，不知道为什么分到了游戏。人生第一次面试，大败而归。

  1. 八股和论文：合在一起问的，看我论文上都是PPO，问PPO的原理，KL散度的作用，PPO截断原理，我的PPO如何实现的。
  2. 代码：没写代码，所以说是KPI
  3. 最后一个问题：你平时玩什么游戏啊，哦我们做的游戏可能和你不匹配，就这样吧，感谢你的时间。

淘天机器学习，实习面试，来自我

先问项目和八股，八股里有两个没答好：

  1. 简要说明stacking和bagging的区别和联系 答案是bagging并行训练N个同构的分类器然后进行加权投票；Stacking算是bagging的升级，算法分为2层，第一层是用不同的算法形成T个弱分类器，同时产生一个与原数据集大小相同的新数据集，利用这个新数据集和一个新算法构成第二层的分类器。
    • 补充：Boosting是另外一种集成学习方法，它是串行训练N个同构的分类器，每个分类器都在尝试修正前一个分类器的错误，具体为提高错误分类样本的权重，boosting的代表算法是Adaboost和Xgboost。
  2. 说说常见的torch里的优化器有哪些，他们的区别是什么 只说了一个adam，没说出来其他的，其实还有SGD，RMSprop，Adadelta，Adamax，Adagrad，AdamW，Momentum等等，他们的区别在于更新参数的方式不同。Adam是SGD的变种，它在SGD的基础上加入了动量和自适应学习率，Adam的优点是收敛速度快，但是可能会过拟合，所以在训练的时候需要调整学习率。

Stacking 就像是 Bagging的升级版，Bagging中的融合各个基础分类器是相同权重，而Stacking中则不同,Stacking中第二层学习的过程就是为了寻找合适的权重或者合适的组合方式。 周四阿里面试，除了八股和项目之外，问了如下四个问题：

  1. 在圆中随机取一个点，到圆心的距离的期望是多少？（贝特郎悖论）
    解决方法：正常做法：记半径为r，取点到圆心的距离为随机变量X，那么X的分布函数$F(x)=P(X<=x)=x^2/r^2$，求导得到概率密度函数$f(x)=2x/r^2$，然后求期望$E(X)=\int_0^r2x^2/r^2dx=2r/3$。我回答：随机取点等于随机取一个角度和一个距离，这两个是独立的，所以是0.5r。经过提醒我算出了2/3r。
  2. 一个均匀的六面骰子，如何用它模拟一个均匀的七面骰子？
    解决方法，投两次，去掉[6，6]的情况，剩余35种情况分配到7个面上。
  3. N盏灯，第一次开关全部打开，第二次每两盏灯关掉一盏，第三次每三盏灯开关一次，以此类推，第N次每N盏灯开关一次，问最后有多少盏灯是开着的？
    解决方法：每盏灯的操作次数是它的因子个数，只有平方数的因子个数是奇数个，所以最后开着的灯是平方数的个数。 leetcode319. 灯泡开关
  4. 1，5，11元的银币进行支付，问支付n元有多少种方法？
    解决方法：动态规划,这是leetcode322，零钱兑换问题。 
class Solution:
    def coinChange(self, coins: List[int], amount: int) -> int:
        f = [0] + [inf] * amount
        for x in coins:
            for c in range(x, amount + 1):
                f[c] = min(f[c], f[c - x] + 1)
        ans = f[amount]
        return ans if ans < inf else -1

两道编程都没写出来，第一道找到了灯开关次数是因子个数，但是没想到是平方数，第二道一眼动态规划，被压力就写不出了。吃完饭看果然被挂。

滴滴国际化出行，实习面试，来自我

  1. 拷打项目和八股，项目问论文做什么的，问华社实习。八股问：
  • 回归和分类的损失函数都有什么，怎么保证不会过拟合？（这个比较常规，背诵即可）
  • （又问）了解优化器吗？常见的优化器有哪些，区别是什么？ （momenta，adam，SGD，区别是更新参数的方式不同，adam是SGD的变种，它在SGD的基础上加入了动量和自适应学习率，Adam的优点是收敛速度快，但是可能会过拟合，所以在训练的时候需要调整学习率。）
  • 强化学习分哪两个大类？说说经典的Q学习中SARSA和q-learning区别？ （都很基础，后来问大哥，他说他也不知道问啥，我简历写强化学习多，就问问吧）
  • （又问）了不了解集成方法？基于树的集成方法？了不了解XGB和LightGBM？（重点问题，业务模型就是这个，需要经常看，当时临时突击直接吟唱的）
  1. 代码，HOT100，从二叉树的前序遍历和中序遍历重建二叉树。递归解了，也没写没开ide，说了一下思路
  2. 反问环节：招我进去干什么，做强化学习的派单。

滴滴国际化出行，实习转正答辩一面二面

主要是介绍项目，无八股无算法，对滴滴的经历拷打。
手撕sqrt(x),先用牛顿法实现，然后面试官说我的意思是二分写，然后二分实现

滴滴网约车，实习面试，来自网络

编程题

照明灯安装问题：给定一个整数数组表示一排位置，以及一个整数 k，表示要安装的照明灯数量。要求在这些位置上放置 k 个照明灯，使得任意两个照明灯之间的最小距离尽可能大，输出这个最大的最小距离。
黑白块路径问题：给定一个由 0 和 1 组成的二维网格，0 表示白色块，1 表示黑色块。从左上角 (0,0) 走到右下角 (n - 1, m - 1)，每次只能向右或向下移动，求经过黑色块数量最少的路径中黑色块的数量。
小青蛙走迷宫：给定一个迷宫地图，用二维数组表示，其中 0 表示可通行的路径，1 表示障碍物。小青蛙位于迷宫的起点，要走到终点，求小青蛙能否走出迷宫，如果能，输出最短路径长度；如果不能，输出 - 11。
末尾 0 的个数：给定一个正整数 n，计算 n!（n 的阶乘）结果中末尾 0 的个数1。

数据结构题

实现一个函数，计算二叉树中某一层的节点个数。
给定一个整数数组，使用快速排序算法对其进行排序。
设计一个数据结构，实现对字符串的插入、查找和删除操作，要求时间复杂度尽可能低。
描述并实现 Dijkstra 算法，用于计算图中从一个顶点到其他所有顶点的最短路径。

概率

10 个人相互握手，每个人都与其他人握一遍，总共握手多少次？
A、B 打乒乓球五局三胜，A 赢得每局概率为 0.6，B 赢的概率为 0.4，A 已经赢了前 2 局，问 A 最终获胜的概率是多少？
有 12 个黑球和若干个白球，随机取球，数到 13 时取出的为白球的取法有多少种？

业务

假设你负责优化滴滴的某一地区的派单算法，你会从哪些方面入手？请详细阐述思路和可能用到的算法。
滴滴的订单数据中包含出发地、目的地、订单时间等信息，设计一个算法，根据历史订单数据预测某个区域在未来一段时间内的订单需求趋势。
考虑到滴滴司机和乘客的位置分布、车辆类型、路况等因素，设计一个算法来计算最优的拼车方案，以提高拼车成功率和乘客满意度。

字节广告算法一面

  1. 手撕代码：判断对称二叉树， 二分法实现log(x)
  2. 滴滴出行项目拷打
  3. 八股拷打：过拟合怎么办，L1和L2区别
  4. 大模型拷打，说一下RLHF ,SFT, PPO, GRPO

字节广告算法二面

  1. 手撕代码：找到字符串中所有的指定单词
  2. 滴滴出行项目拷打，单调网络如何实现的，单调网络
  3. 说一说transformer结构，自注意力机制，为什么注意力softmax(QK^T/sqrt(dk))，为什么要除以sqrt(dk)
  4. 说一说大模型了解吗，知不知道大模型微调，RLHF, SFT, PPO, GRPO，知不知道LoRA
  5. 反问环节：为什么这么多大模型，组里业务有吗？ - 答：有的，你在滴滴的技术栈太老了，我们现在搜广推都是大模型了。

字节智能营销算法一面

因为广告算法挂了，所以又投了智能营销。做因果推断相关

  1. 手撕代码： 找零钱问题，动态规划
  2. 项目拷打：滴滴出行项目
  3. 八股拷打：讲讲单调性网络如何实现的，dptimes指标和其他特征分开后，是否需要单独embedding(注意这里是个陷阱，其实是不要embedding，根本不是单独不单独的问题)
  4. 因果推断拷打：你参考了DESCN，说说DESCN的思路
  5. 40min戛然而止，后面发现挂了。

途虎养车算法工程师一面

没怎么问强化学习和大模型，说明业务起步期，估计比较原始的模型就够了，面试官气色不好像大猛子，估计加班多。

  1. 手撕代码：10min，给定一个字符串，返回其全排列的个数。思考了一下套回溯的模板，无调试一遍过，过完发现好像可以数学解，n!/(n1!n2!...)
  2. 项目拷打：强化学习路径匹配，滴滴的单调网络如何实现，滴滴的autodis如何实现
  3. 项目拷打：关于DESCN的结构，说说DESCN的思路，DESCN中倾向性网络为什么可以学到倾向性分数，计算伪效应为什么$\mu_1$ 和$\mu_0$要一个加一个减？
  4. 项目拷打：为什么滴滴干了三个月又去下一家了： 答：量化给的太多。
  5. 反问：组内业务是什么？ - 答：我也不知道，途虎招了算法工程师后根据业务需求再定。

亚信安全算法工程师一面

没听说过的小厂，也不知道为什么我投递了，就当为第二天快手面试练练手。面试官不开摄像头

  1. 简历自我介绍，介绍三段实习。
  2. 拷打华设的实习，问为什么要用强化学习的方法，回答说因为数据稀疏有偏，监督学习不好做
  3. 拷打滴滴实习，为什么多任务网络需要用可变参数损失，如何设置可变参数损失，平衡两个子任务的损失？$loss = 1/(2*{a}^2)L_cr + 1/(2{b}^2)*L_ecr + log(a) +log(b)$
  4. 八股：过拟合怎么办，L1和L2区别， 这已经是第三次被问这个问题了
  5. 拷打量化实习，但是他好像不太了解，问了一下后没有反问。
  6. 八股：说一下PPO算法？ PPO是在TRPO基础做了什么改进？（优化了计算流程，TRPO需要计算Hessian矩阵，PPO不需要）PPO中算KL散度的作用？（KL散度衡量新旧策略差异，限制新旧策略的变化幅度，防止策略更新过大）PPO截断原理？（通过限制概率比值在一定范围内，防止策略更新过大）PPO如何实现的？（clip方法和penalty方法）
  7. 八股：说一说transformer的ffn结构，为什么要有ffn，了解flash attn吗？(了解，flash attn是对标准attention的优化，减少内存占用和计算时间，提高计算效率)
  8. 了解LLM吗，什么是提示词工程？什么是上下文工程？ 答：提示词工程是设计和优化输入给大模型的文本，以引导模型生成所需的输出。上下文工程是通过提供相关的背景信息，帮助模型更好地理解和生成内容。
  9. 反问环节：你们组的业务是什么？ - 答：我们组主要做安全相关的业务，比如反欺诈，风控；现在也在做大模型垂直小领域微调和agent，可以赚到钱。

快手广告算法一面

  1. 简单的自我介绍，拷打简历滴滴实习 - 发现一个问题，基本上互联网大厂只看滴滴这段实习经历，其他两段都不问
  2. 没有八股，直接手撕：只用numpy实现二分类神经网络，以及测试和训练流程，需要支持自定义激活函数，损失函数，L1,L2正则化，早断。总体代码量还是很大，偏工程化。梯度反向更新没写出来，L2没写出来，记录在下面：
import numpy as np

# gradient update，需要定义损失函数的梯度
def gradient_update(params, grads, learning_rate):
    for i in range(len(params)):
        params[i] -= learning_rate * grads[i]
        
# L2 regularization，写在loss中
def l2_regularization(params, lambda_):
    l2_loss = 0
    for param in params:
        l2_loss += np.sum(param ** 2)
    return lambda_ * l2_loss

搜广推常用八股，来自网络

决策树、GBDT、XGBoost 等机器学习方法
L1、L2正则化、过拟合等讲解
transformer 的结构、传统（标准）的transformer有多少层
特征交叉： FM、Wide&Deep、DeepFM、DCN、SeNet 等
序列建模： DIN、DIEN、DISN、MIMN、SIM、ETA、TWIN 等
召回、粗排、精排主要的方法演进
大模型在搜广推上的应用、生成式推荐大模型
CTR、CVR 高低估问题
模型离线、线上收益不一致问题
推荐联合建模：ESMM、MMOE 等