转转 搜索算法 1面 2面 HR面面经（已意向）

# 8.28转转面经（搜索）

## 1面 8.28

8.28  14:00-15:00

1. 自我介绍

2. 选取两个项目介绍：这里选取了推荐算法以及短文本语义匹配。

**2.1 推荐算法**

（1）特征工程：第一部分用SVD生成用户侧和item侧，用户与item的行为，矩阵构成基于共现的，项目成员，负责部分。初始化Embedding层。除了user_id，item还有其它特征吗。构造图是异构图吗？**权重如何考虑**？------（权重是否可以考虑距离当前天时间紧的权重大），deepwalk和svd效果对比，传统机器学习与深度学习的对比。svd初始化Embedding层时是变化的，deepwalk的表征向量是作为特征输入。一条样本的构成

（2）按照日期划分，按照天来，划分太粗糙了，受限于数据集，没有具体时间。deepwalk的区别，感觉就一个十几天一个一天的？

（3）给定向量的含义。

（4）MMoE专家个数？专家个数对结果的影响。

（5） 进一步的思考，特征所有拼凑到一块，现在是否有改进的思路。思考整个设计的改进思路，完成第一版上线，接下来迭代如何？业务和模型的思考，赋能业务。

**2.2 短文本语义匹配**

（1）微调阶段用的那一版bert？finetune是有两个目标，MLM和NSP，尝试的时候原封不动进行的吗？为什么没有用MLM？试了没有用NSP的效果吗？准确率最后多少？准确率好像不高？
（2）脱敏的影响？
（3）N-Gram有没有尝试其它种的N-Gram，比如TextCNN滤波器个数
（4）cls和最后一层获得的是词向量，最后一层如何处理的，得到的是词向量，如何获得句子向量。
（5）负样本如何构建的？这里忘记了，回答没有
（6）效果怎么样，第一多少？能否复现第一的方案，即工程能力。

3. 一个骰子，投N次，最大概率的和是多少。

4. 一个数组，求第二大的数

## 2面 8.29

8.29  10:00-10:40

1、自我介绍

2、介绍两个项目

2.1、介绍了一个推荐，之后了解建模过程中的一些思路。

（1）Word2vec构建用户和item的隐性表达，为什么想到这么做？为什么word2vec为什么能够帮助做些这些事，主要了解word2vec的原理。训练过程中如何使整个Embedding能够在序列中近似的语义空间内，loss如何降低，word2vec的训练过程。loss如何定义。二分类过程中经常使用的损失函数，为什么选择交叉熵作为二分类的损失函数？（从另外一个角度问，优化模型时最后求解什么？参数。求解参数的过程叫作参数估计？有哪些方法：极大似然和最大后验）

（2）为什么使用异构图学习用户和视频的表达，具体介绍一下。deepwalk的实现。deepwalk之前是否有一些历史优秀算法的承接发展，思想如何演变过来的（为什么有deepwalk的想法出现）。为什选择deepwalk作为自己的方案（参考其它方案，为什么没有选择其它方案，思考的过程）

2.2 介绍短文本语义相似度

（1）如何定义这个问题的，包括技术的思路，如何想的。

（2）使用bert比word2vec效果好，为什么bert比word2vec效果好。主要回答结构时多头注意力以及mask策略

（3）具体讲什么叫attention机制，attention最开始是NLP提出吗，从图像角度解释为什么attention。

3、研究生阶段主要的研究方向，简单介绍一下，问了一些为什么要这么做。

4、为什么对数据竞赛比赛感兴趣

5、反问环节：为了技术栈，以及传统、深度模型的场景

3面 9.2（HR）

9.2 20:00-20：20

1、对一轮二轮面试的整体感受

2、其它大厂公司面试流程（安排了嘛，面了嘛）

3、职业规划（数据类，算法类，研发类）以及意向城市

4、意向深刻的项目介绍一下（介绍了一部分，不然太多了）

5、老师、同学以及朋友对自己的评价，是否认可

6、对自己的认识，缺点，待提升的地方

7、大学，研究生除了学习之外的生活（如果度过）

8、介绍了转转以及给了一些建议

9、反问环节：问了企业文化以及时间

10、是否能实习

还愿来了
总于拿到了
开心


9.5号下午4点17收到意向书


#面经##转转#