飞猪在秋招时也是海量hc这一著名梗的贡献者之一
但是后来据说海量hc是指4个hc
作者的心也是泡池子泡的凉凉的
面试体验
a. 面试形式为电话面试，面试官可能是个鸽子，平均约三次才能面上一次。
b. 当时投递简历时调研了一下，大文娱、本地生活以及飞猪，据说都不是太核心，竞争较小。
c. 本文为阿里爸爸-飞猪的面试帖，8月末，虽然已经有别家offer，但是阿里终于捞了还是要面一下。
一面 
项目与自我介绍
由于作者是某研发了ltp的实验室的，所以有如下两个问题（nlp相关），小看官们可以选择性略过这一趴：
ltp分词怎么做的
unk怎么处理
char-emb：英文字符中使用char-embedding编码得到的feature来代替word-embedding；或char-embedding编码得到的feature拼接word-embedding；
词汇表扩展：为不同的unk编号，进行训练。
copy机制：在nlp生成任务时，例如自动摘要任务，摘要中有很多词都是来自于输入部分，比如机构名、地名、人名。这些词出现很少有的甚至只出现一次，如果靠语言模型来生成是不可能的。而使用拷贝模型，则在很大程度上解决了unk的问题。
还知道什么分词方法
已知前序和后序能不能重构二叉树？
不能，“根左右”和“左右根”无法判断左右子树。
矩阵的特征值和特征向量是什么？
设 a 是n阶方阵，如果存在数m和非零n维列向量 x，使得 ax=λx 成立，则称 λ 是矩阵a的一个特征值。
非零向量x称为a的对应于特征值λ的特征向量。
式ax=λx也可写成( a-λe)x=0。这是n个未知数n个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式| a-λe|=0。
生成模型和判别模型：
生成模型：学习得到联合概率分布p(x,y)，即特征x和标记y共同出现的概率，然后(通过贝叶斯公式)求条件概率分布p(y|x)，最后选取使得p(y|x)最大的y_i.。能够学习到数据生成的机制。
eg: 朴素贝叶斯 / hmm / lda
判别模型：学习得到条件概率分布p(y|x)，即在特征x出现的情况下标记y出现的概率。
eg: knn / lr / svm / boosting / 感知机 / 决策树 / 最大熵模型 / crf
参数模型和非参数模型:
参数模型通常假设总体（随机变量）服从某一个分布，该分布由一些参数确定（比如正态分布由均值和方差确定）
假设可以极大地简化学习过程，但是同样可以限制学习的内容。简化目标函数为已知形式的算法就称为参数机器学习算法。
eg: lr / 感知机 / svm / lstm 
非参数模型对于总体的分布不做任何假设，只是知道总体是一个随机变量，其分布是存在的（分布中也可能存在参数），但是无法知道其分布的形式，更不知道分布的相关参数，只有在给定一些样本的条件下，能够依据非参数统计的方法进行推断。
通过不做假设，算法可以自由的从训练数据中学习任意形式的函数。
eg: 决策树 / svm / lstm
从上述的区别中可以看出，问题中有没有参数，并不是参数模型和非参数模型的区别。
其区别主要在于总体的分布形式是否已知。而为何强调“参数”与“非参数”，主要原因在于参数模型的分布可以有参数直接确定
二面 
项目与自我介绍
python c++ 怎么调试怎么断点调试
小白都会的print大法
ide：pycharm可以在某行代码增加断点
pdb：python自带工具pdb进行调试，
命令行使用：python -m pdb xxx.py进入调试模式，类似于c++的gdb调试
代码使用：代码中添加pdb，在代码指定位置设置上断点pdb.set_trace()
python解释器是什么 / 如何工作编译过程和执行原理
用户提交源码后，解释器将源码转化为字节码，在python中一般为.pyc文件，在java中则是.class文件，这个字节码机器不能执行，由虚拟机执行（这个虚拟机不是vmware或者virtualbox的虚拟机概念），在java中同样是由jvm来实现。由于字节码一般是不依赖于操作系统的，所以可以做到跨平台运行。
当python程序第二次运行时，首先程序会在硬盘中寻找pyc文件，如果找到，则直接载入，否则就重复上面的过程。
python中的几种解释器知道几个：
cpython：cpython是标准python，也是其他python编译器的参考实现。通常提到“python”一词，都是指cpython。cpython由c编写，将python源码编译成cpython字节码。
jython：jython在jvm上实现的python，由java编写。jython将python源码编译成jvm字节码，由jvm执行对应的字节码
ironpython：ironpython与jython类似，所不同的是ironpython在clr上实现了python，即面向.net平台，由c#编写。
pypy：使用rpython实现
id3c4.5等基本树是二叉树还是多叉树
id3只能处理离散型变量，离散特征(离散数量>2)时是多叉树
c4.5可以处理离散型/连续型变量，离散特征(离散数量>2)时是多叉树，连续特征时是二叉树
被切过的特征还会再切吗？
连续可以在切，离散不可以
编程题：
01矩阵里找面积最大的全1矩阵
思路：转换成找面积最大的直方图问题
暴力法
单调栈
动态规划
三面 
项目与自我介绍
gbdt和rf的区别：
rf属于bagging方法，并行方法，由分类树/回归树组成，结果由多棵树表决决定
异常值不敏感，目的是减少模型的方差，不需要数据预处理、归一化
gbdt属于boosting方法，串行方法，只由回归树组成，结果为多棵树累加之和
异常值敏感，目的是减少模型的偏差，需要进行特征归一化
gbdt和rf哪个树比较深？  
单颗树的话是rf深，rf中的树是过拟合的，对样本切对特征切，构造多样性样本集合，每棵树甚至不剪枝。
哪些学习器是凸优的？
凸优：局部最优即全局最优
对于凸优化问题，所有的局部极小值都是全局极小值，因此这类问题一般认为是比较容易求解的问题。
逻辑回归、svm、线性回归凸优。
神经网络不凸优，因为可能收敛到鞍点。
svm有几种，都是什么，几种核？拉格朗日乘子法
是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法。这种方法将一个有n 个变量与k 个约束条件的最优化问题转换为一个有n + k个变量的方程组的极值问题，其变量不受任何约束。
svm中涉及相关知识
hessian矩阵概率题：
两堆水果：其中有橘子和苹果，第一堆中有黄色:绿色为7:3；第二堆中有黄色:绿色为5:5；已知橘子都是黄色，苹果都是绿色；那么现在拿出一个水果是苹果，则苹果是从第一堆拿出来的概率是多少？
解：
p(绿 第一堆)  = 3/10 * 1/2 = 3/20
p(绿) = 8/20
p(第一堆|绿) =  p(绿 第一堆) / p(绿) = 3/8
答：3/8
推荐阅读：
如何成功追到微软小姐姐-葡萄媛
十分钟生成自己的疫情地图，小白都能立刻上手！
一文学会pytorch版本bert使用
paper | naacl2019 抽取式摘要之 sumo
面经 | nlp算法岗（腾讯）
面经 | 推荐算法岗（美团）
面经 | 机器学习算法岗（阿里-优酷）
更多面经在最左菜单栏
点点在看
帮小编保住饭碗

---