2023-04-03 21:51 已编辑北京理工大学算法工程师

关注

攒人品--23届非科班算法工程师的互联网校招面经

bg

本科北京学院路某211、硕士北京某军工985，非科班转码，本科专业和硕士科研都和算法沾点边，无论文，两段大厂算法实习。

实习转正无hc，秋招专业陪跑选手，国内有些名气的厂都投了，5家互联网技术面挂，10家走完了技术面，但在11月才拿到一个中厂offer，12月候补到三个大厂offer，春招投的两个大厂都拿到offer。有些在池子里深不见底，有的是hc review盘着盘着没了。拿到的offer包括搜推广、数据挖掘、风控、供应链算法。

梳理总结一下校招中的经历、经验、教训，消除部分信息差，希望能给校招的朋友们带来一些帮助。

笔试

1.编程

大部分算法的笔试和开发是一致的，基本上三四五道代码题目。我的做题能力不强，基本上只能做出2道多，可能因为简历中项目比较匹配，有十几家公司进面。

拿到分数是关键。在没有足够明确、足够好的解题思路的时候，不要钻牛角尖，就算不能ac也可以尝试一些复杂度高的方法，通过一些测试样例，也可以拿到大部分分数。或者有一些拿分的套路，有的题目的输出是'yes'或'no'，直接都输出'yes'也能通过一些样例。

提前练习，熟悉笔试形式。提前多刷一下历年的笔试题目，熟悉笔试的形式，提前看好有没有跳出检测等问题，以免笔试的时候慌乱。

2.其他形式

有些公司还会出一些算法相关的选择题，选择和编程是分开的，答完一个卷才能做另一个，需要把握好时间。

技术面

互联网算法面试一般都为：二到三轮技术面+HR面，技术面又分为同事面、leader面、交叉leader面、部门主管面。同事和leader的面试内容集中在项目经历、基础上，会考察技术的深度和广度；部门主管面一般不怎么问技术相关，以我的感觉来看，部门主管好像更看重对业务的理解和对公司、部门价值观的认同。当然，还有技术面试必不可少的手撕代码环节。

以下是我在技术面过程中被问过的问题，不够全面仅供参考。

项目经历

我在面试过程中，基本上百分之五十的时间都是在深挖项目经历，被问到的八股文一般也都跟项目相关，所以简历上的项目一定要熟悉，与之相关的技术也要有深度理解。 项目细节：背景/数据量、数据处理/特征/模型/离线评估/上线以及效果/优化方向

延伸：为什么这么做、这么做真的有用吗/有没有其他方法、方法对比/遇到哪些难点，怎么解决的/有没有遇到某个问题，为什么没有出现这个问题，如果出现这个问题怎么办/还有没有其他可以优化的地方

结合工程和业务：模型上的提升到底对实际业务有什么作用/方法和业务的匹配度

项目中的角色：这些是自己决定的还是领导让做的/哪部分是自己做的/多个组协作的工作，其他部门不配合怎么办/和mentor怎么沟通的

算法八股

算法的八股文大部分都是和项目相关的，还有一部分是和面试部门业务相关的算法。

数据/特征：特征工程怎么做/数据归一化方法有哪些/使用过哪些特征交叉方法/XGB缺失值如何处理、填充-1会有什么影响/XGB需要one-hot吗，one-hot有什么影响/样本不平衡怎么解决的/处理不平衡样本会不会造成bias，强正和强负有助于拉开样本差距，为什么会造成bias/数据怎么清洗/特征权重怎么看

模型：

（1）GBDT和Adaboost的区别、流程、优缺点、GB是什么含义/XGB和GBDT区别、XGB如何调参的、泰勒展开公式、剪枝方法、为什么二阶展开比一阶好/介绍boosting模型/bagging能让偏差降低多少

（2）FM是如何节省开销的/分别介绍wide&deep、deepFM、deep cross network

（3）transformer里的position/LSTM四个门/介绍attention机制

（4）mmoe样本空间、如何共享特征/mmoe的loss如何平衡/mmoe如何让expert学到不同信息/mmoe、esmm、ple区别

（5）强化学习on-policy和off-policy什么区别/eposide怎么设置

训练：缓解梯度消失的方法/正则化方法/dropout是怎样起作用的，推断的时候dropout是什么样的/用过哪些损失函数/用过哪些优化方法/有没有用过增量训练/使用过什么激活函数、各种激活函数的区别

指标：解释AUC/如何debug的，怎样归因/AB实验怎么做/离线指标提升，线上负向怎么办

算法场景题

结合面试部门的业务，问相关的场景题，一方面是看和业务的匹配度，但是更多的是考察实际问题分析、建模的能力。首先必须先搞明白这个问题的含义和前提条件，不懂的地方及时问清楚，也可以让面试官做一些提示；如果涉及到自己的领域盲区也没关系，我一般会从业务特点先分析，这个场景可能需要重点关注什么方面，和某个我了解的场景有什么联系、异同等，接下来从整个算法流程逐条分析（还是要看问题，有些面试官给了前提条件，不需要回答这么细致），有哪些潜在的问题，以及这些问题可以使用哪些方法等，在展示自己的分析能力同时，展现自己解决问题的思路和技术面。以上是个人的回答思路，如有不妥希望大家指正。遇到的场景题有：

（1）直播推荐：直播推荐和其他推荐不同的地方

（2）搜索引擎：如何用搜索中的数据学习近义词

（3）聚合平台：如何判断重复酒店

（4）数据中台：为了配合推广活动，如何预测播放量

其他八股

涉及到操作系统、SQL等：

linux的指令知道多少/软寻址和硬寻址的区别/SQL group by和开窗函数的区别

手撕代码

手撕代码大部分是********经典题目，还有算法工程师相关的一些代码，主管面还会做智力题，我做过的题如下：

算法与数据结构： 31.下一个排列/47. 全排列 II/3. 无重复字符的最长子串/669.修剪二叉搜索树/88.合并两个有序数组/33.搜索旋转排序数组/430.扁平化多级双向链表/63.不同路径 II /82.删除排序链表中的重复元素 II/23.合并K个升序链表/142.环形链表 II/110.平衡二叉树/236.二叉树的最近公共祖先，如果祖先不能包括本身，怎么改/222. 完全二叉树的节点个数/链表相乘/使用栈实现计算器/完全背包/堆排序/快排/top K/链表和数组有什么区别/迭代和递归有什么区别

智力和概率题：圆形棋盘放棋子，先手怎么能赢/怎么用1-10的随机数生成1-7的随机数

其他：计算AUC（出过两次）/不用tensorflow和torch写四层神经网络的前馈过程，包括两种激活函数、两种正则化方法、参数初始化

聊人生

技术面中也会遇到聊人生的问题，比如：有没有其他offer/实验室是做什么的/最近看了哪些论文/遇到问题怎么解决/和同龄人相比有哪些优势，有什么不足/你觉得mentor看中什么/实习过的公司有什么区别/实验室科研和实习有什么区别/更想去什么样的组，跟随大佬or自由探索/未来规划

反问

我一般会问一下组里业务、会用到的技术栈、有没有需要改进的地方、面试流程、某个面试时没有答好的问题等。我感觉其实不论面试结果如何、面试官态度如何，都可以抓住反问的机会多了解一下，毕竟找工作是一个互相judge、双向选择的过程。

面试心态

面试的心态太重要了，直接影响面试官的判断。我认为最佳的面试状态是端正态度的同时可以稍微松弛一些。需要转变一下学生心态，面试不是考试，找工作是一个双向选择的过程，面试官在评判我的能力，我也在判断组里的前景和氛围，我想明白这一点之后，面试过程中就不怎么紧张了。

自信放光芒！不要受到质疑就开始心虚，也最好不要总是陪笑（个人观点），展示出可以胜任工作的自信来。也不需要太在意面试官的态度，对方态度不好是他的问题，对于自己不能决定的事情不需要内耗。遇到不会的问题也没关系，可以询问或者请面试官做一些提示，一般面试官也不会刻意刁难，何况解决之前不懂的问题也是实际工作中的常态。

另外面试时间的长短有时候也不会影响面试结果，实习的时候遇到leader面试实习生，leader是真的后面有个会才匆匆结束了面试。面试之后复盘是必须的，但是不要老想着面试结果而太过内耗，面完了就不管了，为下一次机会做准备。

经验&教训

充足准备

秋招的前期非常坎坷，准备很不充分，基本都是在用梦中情司的正式面试积累经验、查漏补缺。加上本届校招就业形势堪称史上最寒，算法岗卷中之卷，没有往年那么多试错机会，所以我前期真的浪费很多机会。

所谓充足的准备，最理想的情况是在投递之前，对包括招聘中的全部环节都做提前的了解和准备。当然没有最完美的情况，很多时候由于其他很多事情的影响，准备时间上并不充裕，而且hc很少，如果一直准备一直不投递，后期可能没有hc了，那就需要在充足准备和抢占先机之间作出权衡。

积极主动、持续改进

找工作是一个持久战，从3月份暑期实习招聘到第二年春招结束，横跨一年多时间，而且过程中也有非常多运气因素，需要发挥主观能动性，把自己能改变的部分做好，其余的交给缘分。主动才有故事，除了官网、boss等渠道，也可以在牛客、脉脉上找内推，往往有些内推招人的帖子是真正有hc且比较急切的岗位，尤其是补录和春招阶段，有师兄师姐能够内推就更好了；必须多做复盘，好的地方和需要改进的地方都要总结，机会难得不要在同一个地方跌倒两次。