面试资料汇总-算法.pdfVIP

百度数据挖掘一面2018.9.19

1.自我介绍

2.介绍项目：

背景及数据类型特点，文本多分类问题，用的算法（SVM、RF、GBDT），效果如何，哪个

算法效果最好，bagging和boosting区别，

3.深入学习怎么做的：

word2vec怎么训练的，有没有没有得到的词向量，比例多少，word2vec原理，LSTM+CNN

怎么做的，谁前谁后，为什么，效果提升多少，用的什么工具（TensorFlow），分词用的什

么工具（jieba），怎么做的新词发现（左右熵互信息），写互信息的公式，为什么互信息可

以进行新词发现，原理

4.写SVM常用核函数、LR的公式，损失函数类型，为什么sigmoid函数进行非线性映射

（从二项分布的伯努利方程角度）

5.天池大数据骗保现象的原因，数据比例分布，数据不平衡怎么做，SMOTE采样怎么做

的，SMOTE原理，采样完的比例分布，用的算法（RF、xgboost），

6.评估指标，P、R、F1，还有哪些（ROC曲线，AUC值），为什么不平衡时AUC，怎么

算，代表含义，F值的公式，还有没有其他的F值。

7.KNN原理，kd树的构建与搜索，讲原理，还有没有其他的树结构能实现kd树的效果

8.Apriori关联规则怎么做的，原理介绍

9.代码题：从1-1000中找到缺失的值（用字典），一堆乱序数中找到第k大的数（快排或

堆排序，如何实现，复杂度为多少klogn）,传统快排复杂度，

10.代码题：读取文件（一行一个，有顺序a-z），统计元素词频

百度数据挖掘二面2018.9.20

1.自我介绍

2.科研项目（汽车之家）具体介绍，如何选取特征，进行文本分类过程、关联规则、语

义kmeans聚类，原理；出租车轨迹数据的项目怎么做的(特征提取过程、用到的算法)

3.都用哪些聚类算法（kmeans、层次聚类、谱聚类、dbscan、fastclustering、psla、

lda），详细介绍密度峰值聚类算法，原理及运用，适用情况，优点，并介绍lda，画出原理

图，讲思想与如何求解lda(gibbs采样或变分EM算法)，为什么lda要dirichlet分布，其

他分布不行吗（dirichlet与多项式分布为共轭分布，即先验分布与似然分布求得的后验分

刺猬实习

布与先验分布是同种形式，故可将此次的后验作为下一次的先验），还有没有其他的共轭分

布（beta和二项式分布）

4.SVM多分类怎么做到的（OVR、OVO、层次SVM），分析各自的特点

5.Word2vec原理，CBOW与Skip_gram，二者不同，传统使softmax全连接的计算工作

量大，改进方法层级softmax，负抽样，各自的原理，如何进行梯度上升迭代（过程类似

LR），哈夫曼树的叶子结点概率怎么算，节点如何进行分裂的，最终所有叶子结点的概率和

是否等于1，在使用过程中，负抽样使用多还是层级softmax多，为什么（负抽样，计算简

单），哈夫曼树是如何构建出来的

6.改进现有的分类算法、聚类算法等，提出一种新算法，从哪个角度切入（讲了感知机

到SVM的改进，GBDT到xgb的改进，kmeans到结合语义的改进）以及从梯度优化的角

度，提高迭代速度（梯度下降到牛顿法、拟牛顿法、SGD、MBGD，动量，NAG，自适应的

Adagrad、RMSprop、Adam），问了Adam的特点，xgb的改进点

7.实习经历，上线的产品在没在等

8.代码题：归并排序

百度机器学习三面2018.9.26

1.自我介绍，谈专业

2.挑比赛项目实习介绍，从头至尾讲背景、数据特点、用的算法、如何改进、优化过程、

优化效果、最终排名

3.为什么把CNN结构放到LSTM之前，效果为什么比单独使LSTM差，为什么不考虑

CNN+LSTM+CNN，论文里提到CNN对单字特征提取效果较好（没考虑到，再调整）

4.分词时用的什么工具，引入互信息与左右熵的方法，考虑内部聚合度和外部聚合度，从

而决定是否进行切分，从而实现新词发现，提高分词精度。

5.对于不平衡数据如何处理：上采样，下采样，分配权重，SMOTE采样的