秋招系列 | 推荐岗史上最强面经来袭(上)

关注

转载最新推荐文章于 2026-04-08 10:32:55 发布 674 阅读 AI 写同款· GEO 优化 ›

S32DS3.5图形化配置实战：从零构建S32K144通信接口工程本文详细介绍了如何使用S32DS3.5图形化配置工具从零构建S32K144通信接口工程。通过实战演示引脚配置、时钟树设置、SPI接口搭建等关键步骤，帮助开发者快速掌握NXP S32K系列开发技巧，提升嵌入式开发效率。特别针对S32DS3.5版本的新特性进行了深度解析，包括智能代码生成和调试优化方法。阅读详情

点击上方“AI派”，选择“星标”公众号

第一时间获取价值内容

背景

作者是一名今年参加秋招的学弟，本文写在秋招结束后。

背景为985本硕&计算机科班，研究生期间方向主要为推荐算法，投递的方向主要为推荐/广告/机器学习。目前国内已从A收割到Z。本科做工程相关，研究生期间转算法，发表过CCF A类论文一作1篇，有过大厂实习经验、开源项目和机器学习比赛“划水“经历。

在这里也欢迎各位从事推荐及广告算法的小伙伴加入我们，一起交流学习，一起进步。

如下仅为部分面经，墙裂欢迎各互联网大佬来撩。

具体面经分享

百度

百度7月初就开启了AIDU计划（详情见“百度招聘”公众号），报名后可以直接在交流群联系部门负责人进行面试。

面试流程为三轮技术面 + hr意向面 + 9月底带薪offer面。

我自主投递了商业策略平台部（凤巢），还被垂直搜索组捞了简历，两个部门同时进行面试，最终两个部门都拿到了offer。

AIDU计划是先约面，面完再进系统走流程，这样既可以多个部门同时面，又不用担心没过的话有面试记录，这个方式是对应届生面试比较友好的，点赞????。但值得注意的是最终只能走一个部门的offer流程，如果拿了多个部门的offer意向需要自己取舍。

商业算法组

一面

自我介绍。

询问实习，很详细。
问2020腾讯广告算法比赛如何做的数据分析，预处理；模型后续如何提升。
LR的损失函数，sigmoid函数由来，lr求导手推。
极大似然和最小二乘的区别。

答：观测值服从正态分布的情况下，最小二乘法等价于极大似然估计。（可以推导）
例子参考：https://www.cnblogs.com/little-YTMM/p/5700226.html

常见的优化器介绍；adam与adagrad的区别。
AUC计算公式，解释意义。
朴素贝叶斯公式，为什么叫朴素，是生成模型还是判别模型。

答：朴素的英文是native，即“天真”，我们应用朴素贝叶斯时做了一个天真的假设：条件独立性假设。

生成模型和判别模型的区别。

答：举个例子：
对面一个人走过来，和你说了一句话，你需要识别出她说的到底是汉语、英语还是法语等。可以有两种方法达到这个目的：
学习每一种语言，你花了大量精力把汉语、英语和法语等都学会了，我指的学会是你知道什么样的语音对应什么样的语言。然后再有人过来对你说，你就可以知道他说的是什么语音.
不去学习每一种语言，你只学习这些语言之间的差别，然后再判断（分类）。意思是指我学会了汉语和英语等语言的发音是有差别的，我学会这种差别就好了。
那么第一种方法就是生成方法，第二种方法是判别方法。
生成模型：P(y|x)=P(x,y)/P(x) ，先由数据学习联合概率分布和先验概率分布，然后求出条件概率分布。
判别模型：直接学习决策函数 y=f(x)

概率题：工厂A和工厂B的产品的次品率分别为1%,2%，现从由A和B的产品分别占60%和40%的一批产品中随机抽取一件，发现是次品，则该产品属于B厂生产的概率。
代码题：剑指offer 面试题68 - II. 二叉树的最近公共祖先。

二面

实习介绍。

内积，外积，哈达玛积的区别。
loss回传时，m个隐层单元，n个输出层单元，每个输出层单元的loss是如何回传到m个隐层单元的。
embedding和one-hot的区别，emb的好处与坏处，做emb是否有信息缺失。
问贪心算法和动态规划的思路一般是什么样的。
代码题：二维数组最大子数组和。

三面

介绍实习，论文，很详细。

开放题：问搜索场景下，会提示相关词，这种相关词的收益效果如何量化，给出一个方案。
部门介绍与反问。

垂直搜索组

一面

介绍论文，实习，项目，说了很久。

探讨ctr未来可能做的方向。
代码题：划分一个整形数组，把负数放在左边，零都放在中间，正数放在右边，要求空间复杂度 O(1)。

快排思想来做，如下：

def solution(nums):
    low = 0  # 负数区域，指向负数区域后的第一个位置
    curr = 0  # 0区域，指向0区域后的第一个位置，也是当前遍历位置
    high = len(nums) - 1  # 正数区域，指向区域前的第一个位置


    while curr <= high:
        if nums[curr] < 0:  # 当前元素添加到负数区域，并前进一格
            nums[low], nums[curr] = nums[curr], nums[low]  # 有可能和自身交换
            curr += 1
            low += 1
        elif nums[curr] == 0:
            curr += 1
        else:
            nums[curr], nums[high] = nums[high], nums[curr]
            low -= 1
    return nums

二面

介绍印象最深的一个项目，顺着项目问了很久。

特征分析和预处理的方法。
LR，SVM，GBDT，NN的介绍和区别。
GBDT和NN的使用场景以及优缺点。
NN如何解决过拟合。
Graph Embedding如何联合属性进行训练。

答：参见：https://zhuanlan.zhihu.com/p/70198918 ，使用属性的emb + pooling代替随机初始化的GE

搜索中的position bias问题（展现在前面的item点击率会偏高）如何解决？

答：有两种可以尝试的方案：
在训练阶段将位置作为一个特征加入到模型中，而在预测阶段置为0或者一个统一的常数
通过一个shallow tower（比较轻量的模型）来预测位置偏置信息，输入的特征主要是一些和位置偏置相关的特征。在多任务模型的子任务最后的sigmoid前，将shallow tower的输出结果加入进去。而在预测阶段，不考虑shallow tower的结果。

Graph Embedding如何联合属性进行训练。
如何做query和doc的搜索，简单说一下思路，以及该思路存在的问题。

答：参考DSSM，用 DNN 把 query 和 doc 表达为低维语义向量，并通过 cosine 距离来计算两个语义向量的距离，最终训练出语义相似度模型。

ctr中的selection bias问题（推荐破坏了用户真实兴趣分布）如何解决？
最近在读的论文，三句话介绍其观点。
自我评价-优缺点。

三面

自我介绍。

介绍自己的项目，遇到的问题。
开放题：推荐/搜索中的bias问题如何解决。
开放题：在线/离线场景，特征表现的一致性如何评估？
自我评估。

总结

百度的面试难度比较友好，主要是对机器学习基础，实习情况以及一些推荐场景的常见开放性问题进行查询。

京东|广告质量部定向组

京东6月22日开启提前批（详情见“京东招聘”公众号），找了相关匹配部门的学长内推，但面试安排的较晚，到7月27日才安排面试。

面试流程为两轮技术面，最终拿到了offer。

由于hc紧张，发放的是意向offer，即如果明确去的话，会给sp及以上offer；不能确定的话，可以先秋招其他公司，随时沟通进展。

一面

介绍比赛，实习，很详细。

代码题：leetcode 1：两数之和；leetcode 169：Boyer-Moore 投票算法；Leetcode 382：蓄水池抽样算法 + 推导。

推导是用数学归纳法：
举例说明：1 - 10
遇到1，概率为1，保留第一个数。遇到2，概率为1/2，这个时候，1和2各1/2的概率被保留遇到3，3被保留的概率为1/3，(之前剩下的数假设1被保留)，2/3的概率 1 被保留，(此时1被保留的总概率为 2/3 * 1/2 = 1/3) 遇到4，4被保留的概率为1/4，(之前剩下的数假设1被保留)，3/4的概率 1 被保留，(此时1被保留的总概率为 3/4 * 2/3 * 1/2 = 1/4)
...

二面

介绍论文，实习，很详细。