深信服算法工程师实习一面面经

求职岗位：NLP算法工程师实习

首先例行自我介绍，但是不知道咋的，有点小紧张，中途还中断了下，双方都有点小尴尬，自我介绍完了之后，面试官开始扫简历，因为我简历上有几篇二作的论文，面试官就简单询问了一下每一篇论文你的工作量大概多少，分别做了什么，面试官问完之后，便说你挑一篇你觉得做的比较好的论文讲一讲，于是我就挑了AAAI那篇论文，开始巴拉巴拉的讲了起来，但是这里我犯了一个错误，我一开始还是从很多基础铺垫开始讲，主轴是像PPT展示那样：

先讲很多基础知识，再讲是基于什么框架，然后再讲是基于哪篇论文，那篇论文主要讲了些啥，最后再讲我自己论文的创新点在哪，是基于什么问题改进的，怎么改进之类的。

殊不知，后来自己晚上面试完想了想，在面试中这种讲自己论文的方式是最愚蠢的方式，一来面试官会觉得你“准备的很充分”(说句不好听的，就是背的很流畅)，二来99%以上的面试官是听不下去的，面试官会听的稀里糊涂的，而且会感觉你叙述的逻辑很混乱。果不其然，面试官听到基于什么框架这一块的时候就打断了，说你直接讲你自己的论文就行了，我不清楚的会再问你。所以从这个点，自己大概领悟到讲论文的一个大概思路：

开门见山，自己讲自己的论文，首先讲自己的论文是做了一个啥东西，什么领域的 ==> 再讲自己论文的动机是什么 ==> 然后再讲自己论文中是怎么做的，为什么这么做，有什么直观上的解释 ==> 最后再提一下论文中的其他部分

这期间面试官有问题要打断的话，再回答面试官的问题即可。

论文讲完了，面试官开始问一些实际项目中的问题，具体如下：

• 如果有n种类别(比如新闻类，体育类等)的网站，目前收集到一些网站，及其网站中不良信息的位置，那么新来一个网站，如何判断该网站中是否含有不良信息，若含有，不良信息在哪个位置？

  • 这时我提问题，新来的这个网站的类别知道吗？然后面试官说，知道和不知道，分别有什么处理方式？

    • 对于新来的网站知道类别的，我觉得既然要检测不良信息在哪个位置，这种问题一般比较难，我说如果要考虑公司部署等问题的话，可以每种类别都有监督的训练一个模型，面试官听了之后，具体细节面试官就没问下去了。

    • 对于新来的网站不知道类别的，我说还是每种类别都有监督的训练一个模型，然后用判断新来的网站跟哪个网站相似度更高，再用其训练好的模型预测。

      • 这个问题是给自己挖了个坑，感觉答的很不好，新来的网站不知道类别的这种做法估计有挺大的问题。

• 面试官听完上述描述之后，也没有做什么评价，然后他说，要不我们直接把问题简单一点，如果收集到一些网站的语料，如何判断这些网站中是否有不良信息。

  • 这个我就直接答了，我说这个直接跑一个BERT就可以了，先对网站预处理，如果过长就切成几个para就好了，然后跑BERT做个分类即可；

    • PS：其实这里如果面试官问下细节，怎么切？切的依据是什么？最后怎么综合几个para做分类的？我可能懵了，这块细节没去看。

  • 然后这时候面试官说，但是公司部署的话，一般不直接采用BERT，你有其他办法吗？我说那可以用tf-idf表示新闻语料，然后过一个LR就好了，用PCA降维之后，效果也还行，应该做的比较好有70%+的准确率。

    • 这时面试官就问了，那你说一下tf-idf的公式是怎么样的？有什么缺陷？然后我有点懵逼，没太答好

• 之后面试官说，那我们聊聊BERT吧，他说你觉得BERT有哪些可以改进的地方？我说您是说BERT的缺点吗？然后我就巴拉巴拉说了BERT的那几个缺点，面试官好像不太满意，他又说，我说的是针对模型上的改进，比如说：对模型进行压缩，压缩之后的模型比较轻量级，而且工业界能顺畅使用的。然后我说，有现成的模型可以用啊，比如Albert，中文的还有Albert-tiny，但是面试官似乎不知道这个模型，让我讲一下原理，orz，我没看过论文原文，所以实话跟面试官说了，我说没看过原文，但是应该压缩原理是张量压缩那一套，这时候面试官又说，你觉得降低word embedding维度这个可行吗？然后我没听懂？？？

• 聊完上面的，面试官就说，那给你一堆语料，你怎么训练一个类似于BERT这样的模型，但是又比BERT轻量级很多，准确率下降也不大，工业界可用的那种。我答，要么用Albert这种模型，要么如果语料不是很大的话，减少encoder层数，然后得到表征之后，再接下游模型或者与其他embedding concat起来，例如腾讯的word embedding，elmo embedding，但是面试官似乎还是不太满意，我就反问一句，我想听一下您的见解，面试官便说，这些都是我们在实际项目中遇到的一些问题，这个我暂时也没有答案。

问完上面这些，面试官开始聊一些其他的东西，他问我学过C/C++吗，我说学过，还算熟悉，然后他问我，如果结构体中，声明了一个char型变量，一个int型变量，那么这个结构体占多少字节？我说如果cpu是32位的话，那么占用8个字节，因为要内存对齐，然后面试官说，那char型变量和int型变量的位置对这个结构体占多少字节有什么影响吗？这个我不太清楚，就瞎答的说有影响，什么char型在前不一定是8字节，int型在前肯定是8字节(其实这个问题真没考虑过，要补一下了)。然后他又问了一个Python问题，说如果我一个函数返回一个列表和返回一个生成器有什么区别？我说返回列表节省内存，面试官继续追问，那如果返回列表和返回一个生成器，都是用变量x来接收，如果修改x，二者有什么区别吗？我说有区别的吧，列表中的变量赋值只是传递引用，这样会修改到原列表，但是生成器这个我没太明白..

最后面试官又回到一个情景问题，他说如果有一些语料，然后还有一些关键词，如何判断这些语料中是否含有这些关键词，然后我问，关键词长度多少，是一个词语还是一句话甚至更长，然后面试官说这个重要吗？然后我就回答，如果只是判断关键词，那可以用原来的语料先分词，然后再做一个vocabulary，再将vocabulary中的单词做hash，这样后续就能实现O(1)查找了。然后面试官问，那你这个建立vocabulary的过程的时间复杂度是多少？我说应该是O(n)吧，如果针对英文语料的话(毕竟直接空格隔开)，然后他说如果是中文呢？时间复杂度是多少？我说中文还真没了解过底层分词的时间复杂度，然后他就问，那中文分词有哪些处理方式，是怎么做的？我说CRF序列标注那一套？然后他让我讲一下CRF的原理以及分词的过程，然后我说不会，面试官就没有盘问下去了，便回到原来的问题，他说关键词长度不限，有没有什么好用的方法，然后我说那要不然kmp算法吧，然后他问我kmp算法的时间复杂度，我说O(m+n)，然后我就让我描述一下kmp算法的算法流程，orz，实在是想不起来了next数组的生成过程，就跟他说本科学过，也写过代码实现，但是现在忘了。

最后结束面试，面试官问我有什么想问他的吗？我说您觉得我在这场面试中有什么可以提高的地方吗？他就说，建议算法与数据结构再好好复习一下，orz..