2018年秋招 算法面经总结

19届渣硕的秋招到目前为止终于算是结束了，基本投的都是数据挖掘/机器学习/算法岗，写一篇面试总结画上句号，也算是回馈学弟学妹们了，毕竟从牛客上看了很多前人的面经。

6月-8月在百度实习，正式准备应该是从9月1号的样子开始的，有点晚了。大大小小的公司，海投了可能40家左右，基本都是通过牛客网的招聘信息投的，之前因为怂，提前批一个都没投……

其实只收到10家左右的面试通知，也是耽误时间做那么多笔试题

最终只收到三个offer，百度实习转正，美团的美团平台，爱奇艺的视频推荐。面经如下：

百度（视频面试，只是实习面经，因为转正没有面试）

一面，深入简历，LR的阈值在具体实验中如何选择（一般是以大于0.5正样本，小于0.5负样本），k-means的簇数如何选择以及优缺点，编程：股票的一次买入卖出使收益最大

二面，稍微讲了一下简历，没深入问，主要编程：一颗二叉树中，两个节点的最近公共父节点；给定一个字符串，得到其中连续重复次数最多的子串

三面，场景题，问给出某个公众号的某篇文章，让你设计需要哪些数据，用什么模型，去预测该文章一周后的阅读数和点赞数

美团

一面，简历，手推LR，AUC的计算，手撕代码：N*N的网格中的矩阵个数；单链表翻转

二面，手推LR以及SVM，LR和SVM的区别，KNN中K值的选取，不平衡数据能否用Recall衡量其实验结果，为什么，那如何处理不平衡数据，列举一些分类算法，任选三种说优缺点，SVM为何引入拉格朗日因子，为什么L1能特征选择L2平滑，手撕代码：有序数组中的连续和为T的区间；指定N个点的横纵坐标，构成的多边形每条边都是平行于X轴或Y轴的线段，求该多边形周长的K等分点

三面，选择一个项目详细讲一下，topK 问题：1亿的数据量，数值范围在0-2亿且数值不重复，找出最小的前100万的数值，场景题：淘宝搜索“连衣裙”，出现的商品排序有什么考量，如何验证推荐的物品是否合适

爱奇艺

一面，简历，用MR的思想实现word count，topK的实现，如何把网络结构信息应用到好友推荐，需要对那些用户进行惩罚（降权）

二面，做视频推荐的话，能想出哪些特征？像导演、演员信息之类的，直接加id可能意义不大，如何处理？pv样本和uv样本的区别？推荐系统用GBDT+LR是出于怎样的考量，各解决怎样的问题？若你参加一个推荐相关的比赛，从无到有说一说你的思路，以及遇到瓶颈后还能有什么办法提高CTR？写一个多分类损失函数

三面，选择一个项目讲（没深究），MapReduce中shuffle阶段的原理，C++中对象是如何分配的，堆栈的区别，linux基本命令

还面了keep，bilibili，度小满，招商金科（面试体验非常差，让我二面我直接拒了）……有些一面卒有些二面，总结的话，能现场面一定不要视频面，很多东西当面说比较清楚

小小建议

李航的统计学习方法一定要扎扎实实多看几遍，公式要能推；剑指offer牛客网那66道题要基本都刷一遍；自己简历上各种算法一定要原理、优缺点都清楚；介绍项目的时候，最好从数据预处理部分开始一步步讲，体现你处理问题的整体思路，毕竟很多人都能背下“算法”；算法工程师，很多人都focus在算法部分，但是编程其实也是很重要的，特别是稍大一点的厂；问到不会的知识点，尽量扯一些相关的内容，比如问PCA，你只会LDA也要尽量多说一些，不要像我尬笑然后说不知道，很减分