以下為本人今年 2019 4月到6月之間。 在中國面試的一些經歷。 稍微整理一下，讓大家看一下現況。 ------------------------- 1. QQ 瀏覽器 - 全網知識圖譜 搜索問答 電話面試 word2vec 演算法細節，fasttext 演算法細節。 fasttext 相較於word2vec 的改進方法。 大量的 Char n-gram 如何存。 知識圖譜抽取過程，實體識別(NER)，關系抽取(Relation Extract)。 關系抽取如何遠程監督學習(Distance Supervised Learning)。 對於知識圖譜建立還是問答系統比較有興趣。 多任務詞槽填空細節，意圖識別方法。 2. 百度 國際化輸入法 - 自然語言處理 Round 1: 電話面試 lstm 演算法與數學細節 訓練時 Batch size 如果決定 Rnn lstm gru 數學與參數量 比較。 Word2vec 演算法細節 Transformer 的 multi-head 目的，怎麽做。 公式的 Q,K,V 什麽意義，怎麽算出來。 Multi-head 的輸出怎麽算出來 兩個字串編輯距離演算法 Round 2: 現場面試，白板題 CRF HMM 兩種模型差異 如何 訓練 HMM SVM 與 LR 差別在哪，從loss function 角度來思考。 給定一個排序後陣列 ，取 sum 為 n 的所有組合。 3. Lazada 數據科學家 Round 1: 電話面試 實體抽取模型細節 候選答案排序的權重計算 Attention 機制原理 有沒有使用過預訓練模型，BERT 懂不懂 Transformer 優點在哪 Round 2: 視訊面試 知識圖譜的建立，Entity 的屬性怎麼訂，有哪些類型的 Entity 臺灣跳到中國的原因，現在換工作原因，怎麼沒考慮內轉 對 Lazada 公司的了解，怎麼沒找競爭公司 蝦皮。 過去做的各種項目細節，有什麽改進的空間 項目為什麽用了 Transformer 導購機器人從無到有會怎麽做 沒語料又要做個性化標簽要怎麽做 怎麽規模化 (被反駁經驗不足：從無到有做導購, 不要馬上想做個性化，應該先做通用型的) 一周寫多少程式，最近寫了什麽程式 Binary search 怎麼做，計算複雜度。 分詞演算法，最大長度匹配 。 小語種 NLP 處理經驗 4. 字節跳動 Lark 自然語言處理 面試方式: 視訊 (ZOOM) 如何整理問答語料 如何驗證問答結果正確性 如何做對話狀態追蹤 是用什麼方法 文本分類的詞向量如何轉成句子向量 深度學習過擬合解決方法 為什麽dropout 可以解決過擬合 問答要做成各性化推薦怎麽做 質疑以往的各種項目業務價值不清楚。 質疑原公司團隊的技術分工不合理。 5. 阿里 無人車(小度車載OS) 自然語言處理 Round1: 現場面試，白板題 如何技術問答系統 用戶意圖不明，模糊語意下的各種處理方式。 用戶意圖不明時，多輪問答怎麼做。 Round2: 現場面試，有點像是批判性壓力測試。 叫你畫出 以往項目的各種系統架構。 開始對你的架構進行各方面的批評，並問你該怎麼改進。 準確率招回率如何提升。 總覺得對方一直在沒有目的的跳針，抓不到對方要的東西。 於是反問:你們需要怎樣的人。 對方: 我們需要的是，問答的回答不是用戶想要的情況。 要從架構的角度提出統一解，而不是修修補補的提出各種 Trick 解決片面問題。 Round3: 主管面 雙方確認彼此工作內容，雙方確認加班強度。 雙方交流車載系統現在市場現況，推行時的一些困難。 ------------------ 其他小公司就不說了，蠻雜亂的。 自己最後去的也跟以上無關，轉個方向去做推薦系統了。 職場觀察1: JD 掛羊頭買狗肉的行為很多。 簡歷刊登母公司，結果面試子公司。 招聘單位掛美國上市的趣頭條，結果打電話過來是母公司 InnoTech。 招聘單位是掛 阿里，結果打電話過來是 新加坡 Lazada。 招聘單位是 TCL 深圳，結果打電話過來是要人去香港。 招聘單位是 微軟 上海，結果要人去蘇州工作(年薪還不高)。 職場觀察2: 中國的國際化 中國內部市場競爭激烈，許多大廠的新業務都是在海外了 尤其是東南亞(因為打不進歐美) 只要是打著國際化業務，大概都是東南亞或中東業務居多。 觀察3: 沒有爽的工作 沒有高薪(稅前百萬以上)、有名氣(五百強，萬人互聯網公司)，又能準時下班的。 抱歉，混了多年都沒遇到過。工程師正常都是 995 起跳，早回家就是反應在績效。 外商或許工時正常點? 但是薪資真的沒遇過相對高的。 (例如 Amazon，微軟 談過 工程師薪資也就一般) 自己待改善： 平時晚上都沒有很認真準備面試，很多基本演算法與數學都忘了細節。 Leetcode 沒在定期做，常常題目看過，大致知道怎麼做，但寫得不順。 機器學習，常常業務目標不同，做法會完全不同， 雙方沒意識此問題，會很難展示專業匹配程度。 --------------------- 以上 ※ 編輯: DrTech (27.44.120.163 中國), 08/11/2019 11:55:48