提前批面经和结果，字节（6）&京东（4）&好未来（3）

最新的进展，好未来提前批过了哈哈，说好了8月中旬出结果就真的等来了，也希望正在找工作的小伙伴都能拿到想要的offer，对于京东，估计还得在池子里泡泡哈哈。
图片说明

====================================================================================

过去一个多月投了不少简历，不过有回应的就5、6个，深感找工作的不易，不过一个月来也算有一些小的结果，所以心里还算镇定，不过希望大家也不要慌，好好沉淀，最后都会有的。我主要是找的算法方面的工作，方向有涉及强化学习、图之类的，项目中也用到了，所以面经主要会比较多关于这方面的问题。

字节（已意向书）

字节7月1号投的，一共面了6次，第一个部门到第二面的时候挂了，后面把我捞起来了，又换了个部门面了4面，非常感谢字节不断给机会，最后成功拿到意向书了，很开心，能有个好的结果。

一面
1、自我介绍
2、介绍强化学习的项目（背景、动机、如何建模、输入输出和训练算法说了一遍，说完后面试官问了一些细节）
3、说一下DQN吧（先说了q-learning，然后说了DQN的三点改进，以及存在的问题）
4、说一下MC和TD的区别
4、说一下value-based和policy-based的优缺点
5、说一下SAC（这个说的不太好，原理、policy的训练、q网络的训练说的不太清楚，面试当时还没仔细学到这个算法）
6、说一下GBDT（这里只说了一下目标函数比较简略）
算法题
一道概率题：三个盒子分别放的球为：“红红”，“红蓝”， “蓝蓝”，第一次取出一个红球后，取出两个红球且为第一个盒子的概率（第一次遇到考概率题的情况，还算错了）
给定一个n*n的字符盘，和一个字符串，看改字符串是否出现在字符盘中（这个还行，写出来了）
二面
1、自我接受，之后让介绍项目，项目完了就开始问强化学习
2、AC算法的V网络和Q网络的目标函数
3、TD3和DDPG的区别
4、DQN和Sarsa的区别
5、reforcement的目标和梯度是什么
6、探索的epsilon固定不变的时候，DQN什么情况下学不到东西，举例子说明（说了一堆没答到点上，当时确实不知道）
7、什么情况下，SARSE学的比DQN好，举例子说明（这个也没答好）
8、前两个问题面试官看我不知道就不问了，接着他说，看你用过图卷积神经网络，那你说一下GCN的公式每个符号的意义吧，拉普拉斯矩阵为什么要做分解（额，光忙着看强化学习了，GCN这块没管，又没答上来）
算法题
算法题给定一个只读数组 l，长度是M，最小值是a，最大值是b，l 中的元素两两各不相等。给定内存 O(N) << M，要求找出 l 的中位数。（当时还没怎么开始刷题，算法题也不会，没写好）

二面答得特别不好，被虐的惨兮兮，觉得自己太菜了，不过知道了自己哪一块没复习好也是值得的。收到感谢信以为与字节无缘了，后面也不打算投字节了，但是过了10天左右又收到HR的电话，就想着再试试吧。

一面
1、自我介绍和项目
2、机器学习的各种优化器了解吧，说一下优缺点
3、过拟合怎么解决
4、说一下GBDT
算法题：
1、二叉树的前序和中序遍历序列，重建二叉树
2、2、3、5为质因子，求第100个数
二面
1、问比赛细节
2、GBDT、lightGBM区别
3、有哪些方法可以使得RL训练稳定
4、TRPO、PPO、SAC算法
5、场景题：从三个不同的数据源中分别按比例将对应文档推荐给用户，使得用户的点击率最大，如何使用RL建模
算法题：
1、有两个很大的文本文件，里面存URL，求同时在两个文件中的URL集合
2、一道类似求从左上角走到右下角的最短路径的动态规划题目
三面
1、自我介绍
2、介绍SAC算法
3、介绍比赛（组队情况、任务分工、最重要的特征、自己做了啥）
4、贝尔曼期望方程（在牛客网的编辑器里写出公式）
5、Actor和Critic的目标函数（写出公式）
6、一般的策略梯度的目标函数和导数（写公式）
算法题：
1、求多叉树中两个节点的最近公共祖先
2、一个只包含0和1的数组，求包含k个1的最长区间
3、朴素贝叶斯了解吧？那你实现一下它吧（额，一下子有点懵，我说代码能力不好，面试官说你这样很危险哈，额，刚想硬着头皮写，面试官看我不想写，就说，那你说一下公式以及每个部分都怎么算的吧）
四面（加面）
以为三轮技术面就完事了，下一轮就该HR面了，没想到问了一下还是技术面，不知道是不是前面朴素贝叶斯没写代码，答得不好准备挂，再加面给个机会。
1、熟悉的机器学习算法有哪些？（LR、SVM、决策树啥的）
2、讲一下LR吧
3、LR一般怎么求解的？（答梯度下降）
4、那你说一下批次梯度下降和随机梯度下降吧
5、梯度下降法的缺点？
6、LR能用梯度下降法得到全局最优解吗？
算法题：
1、不用递归，O(logN)时间复杂度，O（1）空间复杂度，实现pow(x, n)
2、概率题：圆上任取三点，构成锐角三角形的概率

京东（offer审批中）

一面
1、自我接受
2、谈了一下项目
3、Adaboost、GBDT、XGB、LGB区别
4、常用的线性分类算法有哪些
5、常用的非线性分类算法有哪些
6、GCN原理
7、textRank说一下
8、word2vec说一下
9、过拟合的现象和解决方法
10、ResNet，以及为什么能解决梯度消失问题
11、场景题：在无上下文的情况下如何看两个词是否是同义词？
算法题：
1、乱序数据找第K大的数
2、字符流采10个字符，保证每个字符的采样概率一样
二面
1、谈了强化学习的项目
2、问了HMM（我说没用过所以不怎么了解）
3、决策树、GBDT
4、从多个角度分析l1和L2正则化为什么能防止过拟合
5、CNN为什么比DNN好呢？
6、看前面的记录说，你会bert是吧（一面场景题那里说了一下bert，说实话真不怎么了解哈），不过还是说了一下
算法题：
纸牌博弈问题
三面（HR面，10分钟）
1、自我介绍
2、个人优缺点
还有几个问题不记得了
四面（技术面）
突然又给我打电话约面试，我一面懵，不是已经HR面完成了吗？面试官也不知道，就约晚上8点又加了一轮技术面
1、自我介绍、项目
2、谈GCN相关这个项目
3、问是否了解其他的图卷积神经网络，说了一下（GAT，里面加了注意力机制）
4、那你说一下self-attention吧
5、说一下bert吧（好吧，前两轮技术面下来，面试官都觉得我会bert了，实际上还没仔细学呢，我就把我知道原理、怎么训练的，说了一下）
6、bert的输入具体是啥？
7、场景题：京东搜索里，输入一个关键词搜索某件商品，但是现有数据库里没有该关键词，该商品对应的是另一个关键词，这种情况下怎么解决？
8、反问环节里问为什么又加了一轮技术面，面试官说他也不知道，就他同事给了一份简历让帮忙面一下，最后面试官说平常心对待，加面呢肯定是有原因，不好说。

好未来（面试结果审核中）

好未来面试效率很高哈，一下子把3轮的面试链接全发了，一轮面过了马上接着下一轮，不过就直接短信告诉你，就不用继续了。所以半天下来就面试完成了。

一面
1、自我介绍、项目
2、讲SAC算法
3、讲Actor和Critic算法
4、怎么学的强化学习？看过哪些书？
5、算法题：
从一个数组中，找出所有长度不小于k的连续子序列中，最大的中位数
二面
1、自我介绍、项目
2、主要讲比赛
3、从初赛到复赛进步的主要原因是什么？
4、怎么构造特征哈？怎么评估特征的重要性哈？交叉特征怎么验证有效性哈？
5、讲回项目，讲GCN的原理，与CNN的区别
6、讲SVM
7、核函数怎么选择？
算法题：
求连续最长乘积子数组
三面（HR面）
HR小姐姐很热情，就大概聊了几分钟，最后快结束时还说辛苦了，快回去休息吧，对好未来好感倍增哈哈。