社招面经-算法岗
毕业后很久都没上牛客网了，前段时间换工作又打开了牛客网……
发现牛客上面大多都是校招的讨论，社招的就比较少了，尤其是算法方向就更少了……这里贡献算法社招的一些微小贡献吧:)
写在前面
社招的话和校招还是的渠道还是不太一样的。身边的和接触到的一些经验来看，社招的方式主要有三类：猎头、内推、官网投递：
- 关于猎头。我个人感觉是一个靠谱的猎头还是能帮助很多的，不过市面上的猎头实在太多了……我从工作以后从各个渠道加我的猎头大概有三位数，如何甄别是另一个话题，这个我就也没什么好的经验了
- 内推。这个其实不管是校招还是社招，内推都是一个比较有力的方式，不管是流程还是对内部组的了解，内推都有很大的优势
- 官网投递。这个应该属于比较少，排除以上两种方式的话，可以选择这一渠道。
关于准备
其实感觉社招和校招的面试内容、环节基本差不多，可能侧重点会有一些不同？不过看了牛客上很多校招算法大佬的面经，我是发现很多问题我都答不上来的……这一点个人也是觉得其实面试内容很可能是个性化的，如果面试官不管候选人的背景、项目经历，每个人都问同样的问题，那么这个面试官就不太合格。至少我当面试官的时候会避免准备一套题来问所有人。
回到面试准备方面，国内不管是校招还是社招，框架肯定都是：coding+基础+项目这三个方面，只不过是每个公司每个面试官侧重不一样。
- coding那就是刷leetcode这个大家都比较了解了。
- 基础，其实就是写在简历上的ML基础做到理解透。楼主准备的时候把简历上涉及到的ML算法都推导了一遍，结果其实发现面试的时候很少会让我推导，不过这个过程并非无意义，还是能加深对算法的理解。
- 项目就是把过往的项目经历理清楚，框架/流程都搞懂。这里再多说一点就是，很多面试会问对一个实际场景设计实现，我把这个也归到这一点。在理清项目经历的时候可以抽象出来一个实际项目的做法，比如说一个推荐系统，一个对话机器人如果让你从头做你会怎么设计实现。这一点就要求对项目的总结，更深一点，平时可以多了解一下业界对这个问题的解决方法有哪些。
好了，其实上面说了这么多，面经反而显得不太重要了。我罗列一下我经历过的一些面试吧，这部分以后可能会再更新。
平安AI
- 神经网络解决梯度爆炸的方。
- follow-up: dropout的tf实现，
- BN, dropout FC 连接的顺序？ BN和dropout连在一起会有什么问题
- CRF理解、作用
- coding: 最大连续子数组
- 场景题： IR-QA实现方式
- 语义匹配模型，(represent-based and interaction-based)
- 场景题。问了很多KBQA IRQA实现设计细节
- 什么时候会导致梯度不可导
- DL中的广播机制
- BERT原理和应用。GPT BERT区别。预训练模型演进。
- HR面常见的问题，工作性格期望薪资等
- 总体体验还不错
- Offer
- coding: 也是分词问题。输入词典和query，输出分词结果
- ML基础问题很少。GBDT/XGboost/lightGBM
- 场景题很多。lexicon怎么收集 扩展，训练数据怎么收集。
- 面经这么少是因为我真的记不清问了哪些技术相关的问题……小红书的面试体验就比较差了，流程(每面之间等待的时间比较长)、态度……、技术体验都相对比较差，我一度觉得面试官对技术不太了解，或者说已经不在一线技术了。
- 挂……
面经部分罗列的不全，有些不记得了，有些是个人项目强相关的算法讨论，这部分对大家的借鉴价值不大。
查看26道真题和解析
