［缘分］霸面，四小时，百度算法offer

［待更新］

秋招快结束了，本想写点多家公司的面经记录一下，但是大都记不清了，只有百度的面试过程还记的清楚，希望能够帮助到今年的同学或者以后的学弟学妹。总的来说，百度面试时间很长，节奏紧凑，考察全面，也比较深入，面试官很nice，全程以一种相互讨论的态度。三轮技术面试一共四小时。

霸面:

百度支持霸面，但是需要满足三个条件:1.在笔试通过的面试者全部面完 2.面试官有空的情况下 3.简历优秀。这里建议到中午11点多的时候别急着去吃饭，因为这时候最可能有面试机会。我从早上9点多开始等，等到中午11点半左右，由于早上的面试者都已经提前面完了，所以我们霸面的同学就拿到了机会。

一面：

1.自我介绍，最满意项目

2.了解优化算法吗？sgd和牛顿法的区别，3.拟牛顿法和牛顿法的关系，拟牛顿法解决了牛顿法哪个问题？推导下牛顿法。牛顿法在什么时候只需要迭代一次就能求解，什么时候牛顿法不能适用？

4.正则化方法？l1与l2的区别，为什么可以克服过拟合？l1正则假设的参数分布是什么

5.梯度消失问题的解决方案？batch normalization为什么能够提升训练速度？

6.场景题：需要根据用户的query来设计一个广告投放系统，怎么设计，具体到模型设计细节。输入query要能输出广告的一个rank。中间涉及pairwise版模型的设计，以及sentence embedding的设计细节。

7.编程题：给定一个数组，求最大的连续子序列和，O(n)时间与O(1)空间

二面：

1.自我介绍与项目

2.面向对象特性，分别做一个解释

3.python的异常机制

4.linux进程通信的办法

5.tcp和udp的区别

6.有两个很大的文件，均无法放入内存。其中存放着很多整数，如何找到两个文件中的相同整数

7.编程：有一个坐标轴，上面有很多点，每个点有坐标，求长度为L的绳子最多能够覆盖几个点。

8.bagging和boosting的区别，深入讲解boosting，讲了下gbdt，让推导详解

9.l1和l2

10讲一下优化算法，推导了自适应优化算法和带动量的梯度下降

9.场景题：在电商或游戏行业有许多优质用户，如何利用百度的数据帮他们找出其他的优质用户，需要在各个行业有通用性，假设其他行业的用户与百度的用户id是有一对一映射的。说到采样负样本（优质用户id作为正样本）并进行模型训练的方法，开始问如何解决多次训练耗时较长，并且需要预测几亿用户耗时的问题。

三面：

1.讨论了实习项目与研究生项目

聚类算法了解哪些

2.设计题：给定（用户id，时间，经度，纬度）四元祖，设计方案识别用户家和公司的位置。这题个人觉得是很好的面试设计题，我的方法是密度聚类定地点位置，时间段活跃特征＋是否工作日训练分类模型识别家/公司的方法。

3.分词问题有哪些解决办法？词典，crf还说了lstm，问lstm怎么做分词

4.介绍了团队，百度文化

补充项目相关涉及到的问题范围，问的细节记不太清了:gbdt+lr，cnn，lstm，attention，项目中深度学习模型如何克服过拟合，linear blending等模型融合方法，label propogation algorithm, spark，时间序列相似度索引等

作者：gg_zero

本文来源于牛客网