GNN系列 | 百度「NLP」面试的一点总结

关注

转载最新推荐文章于 2026-02-23 00:39:34 发布 1k 阅读 AI 写同款· GEO 优化 ›

GNN面试题你使用的graphsage负样本怎么做的，一阶二阶采样多少个邻居，采用什么聚合策略。为什么使用graphsage，模型不同部分的作用 graphsage有什么优点。graphsage 邻居采样数目怎么确定，对于不同大小的图，有没有公式可以参考。根据推荐里面的item2vec，讲一下word2vec模型，为什么lstm可以解决梯度消失问题，从理论的角度上解释。GCN每一层的操作，为什么乘以D^-/2, D是什么。auc实际衡量的什么，auc适合于什么情况。word2vec里面的负采样是怎么做的。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

这里是归辰的面经杂货铺，你想要的都有～

写在前面

作者是一名应届的学弟，本人十分优秀，本文写在校招过程中。

背景为985本硕，从研究生才开始研究机器学习算法，有两篇已发表论文（CCF A + CCF B），没有任何与机器学习相关的实习经历，秋招求offer中，虽然还没有完全上岸，但是陆陆续续还是面了一些公司，并在此记录一下百度面试的过程。

准备：4月开始准备，开始刷剑指offer和leetcode，看了两遍李航老师的统计机器学习（第二版），过了一遍百面机器学习，复习了一下自己写的论文已经相关的一些经典论文。

如下仅为部分面经，墙裂欢迎各互联网大佬来撩！

作者邮箱：13402877073@163.com

具体面经分享

7.08投递

7.20一面 1.5h

自我介绍。

代码题：1.快速排序 2.剑指offer42：DP+空间复杂度O(n)到O(1)的优化。
LR：大概讲讲原理（大概讲了对数几率，从线性回归到 LR，与 sigmoid 的联系）。
SVM：大概讲讲原理（大概讲了最大间隔，合页损失函数，与0-1损失函数，感知机，Adaboost，LR 的联系和区别），SVM是否会求出局部最优解答（我回答的不会），为什么不会（也就是为什么局部最优就是全局最优，我回答的是因为凸二次规划问题，目标函数是凸函数)，核函数的思想，怎么求解SVM(SMO，讲了一下大概的思想)。
决策树：CART，ID3，C4.5的区别（分别讲了 ID3 和 C4.5之间的，以及前面两个和 CART 的），信息增益比那种情况比信息增益好。
Xgboost：优点，默认值处理（这里面试官同意我看两分钟原文，结果还是没有回答好）。
介绍项目论文：元学习，图神经网络。
场景A：一个大的数据集A，如何使用元学习和迁移学习（上一段提到了），来帮助学一个数据稀疏B的数据集。（讲了一下元学习设定和迁移学习方法，这里面试官不是很了解元学习，所以有些分歧）。
场景A+：B 数据集不仅样本系数，而且特征稀疏。（我已经忘了场景，以为只在 B 上操作，没有回答得很好），询问面试官，他们解决方法是在 A 上做特征学习。
反问。

7.24二面 2h

自我介绍。

全程问项目论文。
面试官对元学习和图神经网络都有一些了解。元学习面试官熟悉原型网络，我让我结合我的其中一篇论文给他讲了MAML的思想。
元学习和迁移学习的区别和联系。
图神经网络和图嵌入的联系和区别。讲讲GCN，GAT，GraphSAGE等主流的图神经网络。讲讲DeepWalk，Node2Vec，Line。
既然做过图神经网络，那么来写两道相关代码。代码1：图数据的数据结构（邻接表），3个方法（初始化，加边，给定节点返回邻居节点）。代码1+：给定根节点，返回从这个节点出发的随机游走（递归写法出了点问题，面试官指出不注重效率细节，随机游走的结束处理也有问题====没手写过这个啊）。
面试官讲了一下他们部门的业务。
为什么投深圳（不投北京，上海）？
反问。

7.28三面 40min

自我介绍。

论文内容大概介绍，论文主要贡献，是第几作者，论文想法来源，论文中负责哪些工作，还有没有什么可以提高的地方？
熟悉Linux吗？
用过Hadoop之类的吗？
Python的一些基本问题：可变对象，不可变对象，浅拷贝深拷贝。
个人优点。
个人缺点。
对百度的看法。
对BAT以及字节等公司的看法。
讲了一下他们部门的业务。
为什么投深圳（不投北京，上海）？
反问。

8.01测评

总结

总的来说，百度面试体验非常好，都会提前预约时间面试，基本都是问项目论文，以及基本的机器学习知识。一面估计对我的领域不熟悉，因此主要是基础的机器学习知识，以及场景题。二面对我的领域有一定的了解，因此对论文问的很细，二面的代码题也很与众不同，让我有点措手不及（随机游走如何结束，参数设置都没做好，而且也没有考虑效率细节等），最后递归代码还出了点小问题（但是面试官全程耐心，等我调试，还说可以求助他，但是他等我自己想，免得打扰思路）。三面面试官也很好，我反问如果通过面试，到入职之前可以哪些准备（最好实习，已经3个特别诚恳的建议）。

写在最后

从秋招开始也陆陆续续面了一些公司，有的简历挂，有的一面挂，有的在等最后消息，不管怎样，还是有一点自己的想法。(划重点！！！)

## 以下和个人情况相关（没有实习，只有论文，不想转开发，死磕算法）

首先就是算法代码题，现在各个公司都很看重，基本面试都会写，而且一般是面试开始写，如果写不出来，可能会直接导致印象分下降，哪怕后续表现得都很好。

其次就是可以先投一些不是很想去的公司刷刷经验，其实不管大小公司，有的问题都是一定会问的，自我介绍（自己准备一套模板，每次面试前再根据公司和招聘信息微调），如果有论文和项目的肯定会介绍（我的感觉就是，前两次面试介绍的时候都是想到哪儿说到哪儿，逻辑不够清楚，到后面面试面多了，感觉这一部分就可以直接背出来了，逻辑也清晰，重点也鲜明），最后就是如果做论文的话，相关的论文也要有了解（例如我主要研究图神经网络，那么经典的图神经网络原理都要了解，甚至有的公司会问你最新进展以及现在的瓶颈）。
关于除自己领域外基本机器学习和深度学习，基本的都要了解，面试如果问到了，面试官一般是问你对这些了解吗？诚实说出自己情况（假装精通不可取，一问就出来了，切勿不懂装懂！！！），例如我，我就直说入门的时候看过，但是实际中没怎么用过，但是基本的原理知道。这时候面试官基本也懂了，会问你一些基本的问题，然后可能会继续追问。这种情况你只要能回答好第一波问题就OK了。

然后就是一些对下一年的学弟学妹们的建议，真的，能实习最好去实习，百度三面也说实习三个月可以有质的飞跃，而且现在机器学习很多要求Hadoop的知识，分布式的知识，甚至云计算相关的知识，如果在一般的实验室（像我这种，单机单卡做研究的），这一部分会比实习的差很多，更不说实习转正的机会了。

最后祝大家面试顺利，一起加油！欢迎大家来交流～

看完本文，你有什么看法呢，欢迎交流～

文末福利

各位猿们，还在为记不住API发愁吗，哈哈哈，最近发现了国外大师整理了一份Python代码速查表和Pycharm快捷键sheet，火爆国外，这里分享给大家。

这个是一份Python代码速查表