我的秋招结束了，放上秋招经历供大家参考

首先说一下本人背景吧：本硕双非，找算法方向的工作，由于我刚读研的时候就决定走算法方向（实验室不搞算法深度学习啥的），因此早早给自己订制了学习计划。

我的计划大概是：先打好算法基础+努力竞赛做出成绩（本人可能偏向工程，因此科研能力不是很好，没有拿得出手的论文）->利用竞赛找日常实习（不找暑期实习是因为不想耽误秋招这一黄金时期）->利用竞赛和较长时间的日常实习来参加秋招，大概就是这样一个过程，仅供参考。

心理变化：本来我19年一整年做的竞赛都偏向于nlp，但实际机缘巧合找到的实习是推荐相关的，而且自己也了解，如果做cv/nlp没有核心竞争力（论文），还不如做偏向落地工程的推荐/搜索，因此转而边实习边学习推荐算法方向的专业知识。

说一下秋招经历吧：我从五月中下旬开始复习准备秋招，因为当时知道vivo六月早期就开提前批了，六七八月基本上就是各种疯狂投简历+复习，到九月份的时候复习节奏已经慢下来了，基本上就是查缺补漏，复盘面经（有些问题值得深入了解），投了几十家的简历，九月后也就没开始投，专心准备给面试的公司。

说一下刷题经历吧：本人从本科开始基于兴趣没事会做一些算法题，lc做了不少，来牛客之后，牛客也有一个oj题库也很不错，我也针对性的刷了很多题，大家也可以去试试：https://www.nowcoder.com/ta/job-code-high

一段不算恰饭的恰饭话：

为啥说不算恰饭：相信牛客有很多小伙伴都是跨考，对面试笔试出的算法题很是头疼，经过我片面的了解，如果面试你和你面试的岗位很match的时候，如果出了算法题，大部门面试官都不会为难你的，会出一些比较基础和常见的题，但是这种题我个人是极力不推荐背诵的，因为你实际还是不理解，题目稍微复杂变化一下就不能变通了，因此希望大家可以打好算法这一基础，而左神的课程应该是牛客上很nb的算法课程了，有兴趣的小伙伴可以了解一下。

为啥说是恰饭：因为大家可以通过我给的链接购买左神的课程，大家通过我的链接点就有一个不小数目的优惠（好像可以便宜好多，大家可以自己对比一下），而我也拿了一个分红，我觉得没啥遮遮掩掩的，直说就好。我参考了所有课程大纲，建议大家选择基础入门和提升课，只要把基础打好后面融会贯通多加练习就可以应付大部分面试题。

下面是链接，有兴趣的小伙伴可以点进去看看，有试听课程可以实际体验一下是否适合自己，不感兴趣的小伙伴就权当我说一乐儿～

入门课：https://www.nowcoder.com/courses/cover/live/445?coupon=ArSd8yc

提升课：https://www.nowcoder.com/courses/cover/live/446?coupon=A4Uqg92

我很感谢牛客这个平台，信息资源比较丰富，给了我很大的帮助，懒人必备。

下面是我整理的通过了的面经（按意向顺序排列，那些挂了的，刷kpi的也没啥参考价值了）

提前强调一下：本人并不是所谓的集邮爱好者，拿到的都是自己努力奋斗得到的，而且拿到的基本都是同一水平线上的公司，没有拿到大厂去集邮小厂的陋习，我也不太需要什么选offer的意见，因为我觉得这是自己的事情，我自己有决断。

再偷偷说一下：认识我的好兄弟们叫我宝石就好，不要带任何后缀！！！

vivo广告推荐算法工程师

一面技术面（30min）

自我介绍
讲实习，问了几个小问题
讲比赛，不知道面试官听懂没
问了些大数据的问题
spark transform和action的区别
手撕了个归并排序

hr面（30min，只有一面技术。。。）

自我介绍
家庭情况
讲一下实习亮点
有女朋友么
父母同意你去深圳么
讲一下优缺点
能提前实习么

昆仑万维推荐算法工程师，个人觉得这个公司并不是太靠谱，牛客注册的也只有hr一个用户，因此早早拒绝

一面（1h)：

上来自我介绍
讲一下判断回文链表的思路,多方法
用纸写一下反转链表
说说python shuffle怎么实现的，O(N)时间,O(1)空间
看你计算机专业，知道哈夫曼树吧，w2v有用，你能说说么（我就记得分层softmax了，实在是不会）
说说传统机器学习你都了解哪些？推一下LR，说一下原理
知道kmeans吧，说下迭代过程，簇心随机不好，怎么才能更稳定（类kmeans++）
说说深度学习你都知道哪些模型？我说了LSTM RNN，还没等说推荐的模型。。。
讲一下LSTM吧，门都是怎么迭代的
各个激活函数的优缺点，sigmoid relu leaklyrelu tanh，又说了下梯度消失
Sigmoid求导是什么？
了解推荐么，说说都知道啥，嘴贱说了个CF
讲一下Item-CF，怎么计算相似度（用交并，也就是Jaccard距离，速度比cos快），用什么优化呢（倒排索引）
讲讲数据倾斜怎么处理吧？（用key+随机前后缀）
聊一下你这个项目里LDA吧？我直接说这个我用过没细研究（他也认同，说数学原理很复杂）
聊一下你这个项目query title统计特征都提了啥，跟他聊了一下，他和我说了一下他的业务理解
反问
做什么的（啥都做，业务很广。。。）
用哪些技术（啥都用，技术栈很广。。。）

二面（就是确认时间不算面试）

和一面面试官聊的如何
知道他们部门做什么的么
接下来约一下boss面，确认时间
结束

三面（不到二十分钟，压力面）：

上来就问比赛，两个比赛都问了，和第一差距在哪
下面问题都是快问快答，都没深问，问题可能记不全了：
说下你实习吧，没说几句。。
你怎么解决样本不均衡的
kmeans适用于什么情况
python dict怎么用
为什么会产生哈希冲突
python set dict list啥场景用
过拟合有哪些解决方法
牛顿法和拟牛顿法
200w不重复单词一口气放内存中，怎么放最省内存（不会）
你除了学习之外还做什么项目
平常刷算法题么，刷多少了
另一个面试官的问题不是压力测试
你希望做什么种类的工作（大概就是这个意思）
没得反问

贝壳机器学习/数据挖掘工程师

一面（35min，感觉面试官有点紧张？）

自我介绍
详细讲一下实习内容以及创新部分
问了些实习的问题
讲fm
还了解啥其他排序模型，都讲一下，ffm，deep系列
xgboost为啥用二阶泰勒展开
问过拟合的解决方案
你是怎么做特征工程的
讲一下hadoop shuffle做啥的
如何处理数据不均衡的
感觉问的很宽泛，没反问，也没深入问，谢谢面试，没了。

二面（35min，小哥人很好，不会的问题还给我按要点一条条讲）

自我介绍
讲实习
gbdt，xgboost，lightgbm
推荐和搜索的区别和联系，问了好一会
推荐系统除了点击率指标还有啥评判体系
如何解决ctr预估因为采样漂移的问题（复盘）
- 修正: $q = \frac{p}{p + \frac{1 - p}{w}}$ 其中，q是修正后概率，w为负采样频率
- 在sigmoid函数做调整：$q = \frac{1}{1 + e^{(-logit + lnw)}}$,w为负采样频率，加上个lnw偏移量达到矫正的目的
- 调整样本权重
怎么解决冷启动问题的
spark了解么，说下和hadoop区别，为啥用spark（我说了一部分，面试官从头到尾列了几点）
cnn？感受野？为啥用多个小卷积核代替大的（我 emm，面试官给我讲的）
双向lstm优势
awk提端口
git merge rebase 区别（我只简单说了git，大多数用IDEA提交的也，面试官没为难我）
用python和java的版本
多媒体处理了解么，处理多媒体音视频用CNN系还是RNN系（我说CNN。。）
反问

hr面（25min，人很好的小姐姐)

自我介绍
实习这么久咋不转正，这块说了好一会
了解贝壳么
父母同意来么
近几个月的最大困难
近几个月的规划安排
最有成就感的竞赛，聊了一会
反问
- 新人培养
- 忘记问啥时候出结果了，不过看帖子说一周后要么oc要么感谢信。

触宝data scientist（说白了就是算法）

一面算法（1h）

自我介绍
数据结构基础
- 数组和链表区别，应用场景
- 疯狂问排序算法，最优最坏平均复杂度，稳定排序有哪些（好长时间没复习这个了，答得比较差）
- 一个剪枝题，口述算法过程，分析时空复杂度
- 说说面向过程、对象、切片编程的区别（我。。。。。。）
机器学习基础
- 讲一下你了解哪些分类模型
- 说说SVM
- 讲讲id3和c4.5
- 讲讲xgboost和gbdt
- 讲讲怎么判断kmeans的k，聚类效果的好坏
  - k可以用肘部法则SSE（误差平方和）和轮廓系数
- 讲讲分类，回归，推荐，搜索的评价指标
- 讲讲lr 和 fm，fm的后续（ffm）
- 讲讲你知道的各种损失函数
- 讲讲l1 l2正则，各自的特点
深度学习基础
- 说说deepfm，说说fm在nn中还有哪些（FNN，NFM，AFM）
- 说说类似l1,l2正则化降低模型过拟合，还有什么别的方法
- 说一下sgd→adam的过程（下面是面试后简单复盘，本身答的一般）
  - sgd
  - momentum 利用了历史信息，意味着参数更新方向不仅由当前的梯度决定，也与此前累积的下降方向有关。这使得参数中那些梯度方向变化不大的维度可以加速更新，并减少梯度方向变化较大的维度上的更新幅度。由此产生了加速收敛和减小震荡的效果。
  - rmsprop 在 Adagrad 中，问题是学习率逐渐递减至 0，可能导致训练过程提前结束。为了改进这一缺点，可以考虑在计算二阶动量时不累积全部历史梯度，而只关注最近某一时间窗口内的下降梯度。根据此思想有了 RMSprop，采用的指数移动平均公式计算
  - adam 可以认为是 RMSprop 和 Momentum结合并加了偏差校正，因为初始化是0，有一个向初值的偏移（过多的偏向了 0）。因此，可以对一阶和二阶动量做偏置校正 (bias correction)，
- 介绍下梯度消失和梯度爆炸
- 都有哪些方法解决这两个问题
- 你了解多目标优化，迁移学习么（不知道）
场景问题
- 让你加一个兴趣类型特征你要怎么做
- 如何处理年龄类特征
- 你了解相似向量快速计算的方法吗（就记得个啥哈希分桶，没做过）
  - 局部哈希计算，高维相近的点低维也相近，但是高维较远的点低维可能也相近，将embedding应设成1维，若担心把远的也算进来可以多设置几个hash函数等等。
- 如何判断你模型上线的好坏
- 给你个nn模型，如何调参，如何修改架构
- 如何解决冷启动问题用户侧，物品侧
- 推荐系统的整体架构
- 线上推断这部分再具体点怎么实现的
反问
- 触宝内容推荐（小说）
- 主要用python
- 等后续hr通知吧