以下为本人今年 2019 4月到6月之间。 在中国面试的一些经历。 稍微整理一下，让大家看一下现况。 ------------------------- 1. QQ 浏览器 - 全网知识图谱 搜索问答 电话面试 word2vec 演算法细节，fasttext 演算法细节。 fasttext 相较於word2vec 的改进方法。 大量的 Char n-gram 如何存。 知识图谱抽取过程，实体识别(NER)，关系抽取(Relation Extract)。 关系抽取如何远程监督学习(Distance Supervised Learning)。 对於知识图谱建立还是问答系统比较有兴趣。 多任务词槽填空细节，意图识别方法。 2. 百度 国际化输入法 - 自然语言处理 Round 1: 电话面试 lstm 演算法与数学细节 训练时 Batch size 如果决定 Rnn lstm gru 数学与参数量 比较。 Word2vec 演算法细节 Transformer 的 multi-head 目的，怎麽做。 公式的 Q,K,V 什麽意义，怎麽算出来。 Multi-head 的输出怎麽算出来 两个字串编辑距离演算法 Round 2: 现场面试，白板题 CRF HMM 两种模型差异 如何 训练 HMM SVM 与 LR 差别在哪，从loss function 角度来思考。 给定一个排序後阵列 ，取 sum 为 n 的所有组合。 3. Lazada 数据科学家 Round 1: 电话面试 实体抽取模型细节 候选答案排序的权重计算 Attention 机制原理 有没有使用过预训练模型，BERT 懂不懂 Transformer 优点在哪 Round 2: 视讯面试 知识图谱的建立，Entity 的属性怎麽订，有哪些类型的 Entity 台湾跳到中国的原因，现在换工作原因，怎麽没考虑内转 对 Lazada 公司的了解，怎麽没找竞争公司 虾皮。 过去做的各种项目细节，有什麽改进的空间 项目为什麽用了 Transformer 导购机器人从无到有会怎麽做 没语料又要做个性化标签要怎麽做 怎麽规模化 (被反驳经验不足：从无到有做导购, 不要马上想做个性化，应该先做通用型的) 一周写多少程式，最近写了什麽程式 Binary search 怎麽做，计算复杂度。 分词演算法，最大长度匹配 。 小语种 NLP 处理经验 4. 字节跳动 Lark 自然语言处理 面试方式: 视讯 (ZOOM) 如何整理问答语料 如何验证问答结果正确性 如何做对话状态追踪 是用什麽方法 文本分类的词向量如何转成句子向量 深度学习过拟合解决方法 为什麽dropout 可以解决过拟合 问答要做成各性化推荐怎麽做 质疑以往的各种项目业务价值不清楚。 质疑原公司团队的技术分工不合理。 5. 阿里 无人车(小度车载OS) 自然语言处理 Round1: 现场面试，白板题 如何技术问答系统 用户意图不明，模糊语意下的各种处理方式。 用户意图不明时，多轮问答怎麽做。 Round2: 现场面试，有点像是批判性压力测试。 叫你画出 以往项目的各种系统架构。 开始对你的架构进行各方面的批评，并问你该怎麽改进。 准确率招回率如何提升。 总觉得对方一直在没有目的的跳针，抓不到对方要的东西。 於是反问:你们需要怎样的人。 对方: 我们需要的是，问答的回答不是用户想要的情况。 要从架构的角度提出统一解，而不是修修补补的提出各种 Trick 解决片面问题。 Round3: 主管面 双方确认彼此工作内容，双方确认加班强度。 双方交流车载系统现在市场现况，推行时的一些困难。 ------------------ 其他小公司就不说了，蛮杂乱的。 自己最後去的也跟以上无关，转个方向去做推荐系统了。 职场观察1: JD 挂羊头买狗肉的行为很多。 简历刊登母公司，结果面试子公司。 招聘单位挂美国上市的趣头条，结果打电话过来是母公司 InnoTech。 招聘单位是挂 阿里，结果打电话过来是 新加坡 Lazada。 招聘单位是 TCL 深圳，结果打电话过来是要人去香港。 招聘单位是 微软 上海，结果要人去苏州工作(年薪还不高)。 职场观察2: 中国的国际化 中国内部市场竞争激烈，许多大厂的新业务都是在海外了 尤其是东南亚(因为打不进欧美) 只要是打着国际化业务，大概都是东南亚或中东业务居多。 观察3: 没有爽的工作 没有高薪(税前百万以上)、有名气(五百强，万人互联网公司)，又能准时下班的。 抱歉，混了多年都没遇到过。工程师正常都是 995 起跳，早回家就是反应在绩效。 外商或许工时正常点? 但是薪资真的没遇过相对高的。 (例如 Amazon，微软 谈过 工程师薪资也就一般) 自己待改善： 平时晚上都没有很认真准备面试，很多基本演算法与数学都忘了细节。 Leetcode 没在定期做，常常题目看过，大致知道怎麽做，但写得不顺。 机器学习，常常业务目标不同，做法会完全不同， 双方没意识此问题，会很难展示专业匹配程度。 --------------------- 以上 ※ 编辑: DrTech (27.44.120.163 中国), 08/11/2019 11:55:48