感谢wwwHe同学的面经分享（已oc），这里给出面试会问到的问题以及部分问题的答案解析，希望能帮助现在还在找工作找实习的朋友们顺利拿下大厂offer。

腾讯一面

1.项目三连：背景、方法、结果；

2.LGBM原理，LGBM做出的改进和优势；

答：就是串联的决策树，只不过为了提速加了互斥捆绑算法、单边梯度采样以及leaf-wise

3.常用有哪些归一化方法；

答：常用的有最大最小归一化、0均值归一化、softmax等，当然还有一些利用数学公式进行特殊变换的例如arctan归一化等等就需要具体问题具体分析。

4.判别模型精度、召回率、ROC、AUC的含义和作用；

答：精度表示分类正确的样本数占总样本数的比例，错误率表示分类错误的样本数占总样本数的比例。而召回指真实为真中预测为真的占比，准确率则指预测为真中真实为真的占比。区别在于精读和错误率不适用于类别不平衡的数据，而准确率和召回率则可以。准确率和召回率又属于鱼和熊掌不可得兼的状态，而ROC曲线则为召回率对假真率的曲线，AUC则是ROC下的面积。

5.开放性问题，由于是腾讯游戏，问了我平时玩不玩游戏？玩LOL最讨厌什么行为？为什么讨厌脚本？重头戏：“如果给你全部玩家的后台数据，你期望选用那些指标然后是用什么方法去检测脚本行为？”；

6.挂电话前一问：有没有女朋友？

7.电话面试，故没有算法题。

总结：第一次面试，面试官还是小姐姐内心无比惶恐。整个人都很凌乱，知道的也答得乱七八糟语无伦次，捐了。

美团一面（身体被掏空）

1.项目三连：背景、方法、结果；

2.LGBM深挖，一路挖到 leaf-wise 和 level-wise；

答：level-wise 策略生长树，记一次分裂同一层的叶子，不加区分的对待同一层的叶子，而实际上很多叶子的分裂增益较低没必要进行分裂，带来了没必要的开销，而leaf-wise每次从当前所有叶子中，找到分裂增益最大的一个叶子，然后分裂，如此循环。因此同Level-wise相比，在分裂次数相同的情况下，Leaf-wise可以降低更多的误差，得到更好的精度。但是，当样本量较小的时候，leaf-wise 可能会造成过拟合。

3.随机森林随机在哪里？答出来以后又问，极端随机森林又随机在哪里？

答：随机森林主要是样本随机性+特征随机，而极端随机森林主要是特征随机+分裂随机

4.Q: CV和NLP你喜欢那个多点？A: NLP吧。Q: BERT最大长度512是为啥？

答：计算与运行效率综合做出的限制；self attention处理太长的句子是效果不会太好

5.Transformer那些并行了？那些串行？

答：encoder 之间是串行，每个 encoder 中的两个子模块之间是串行，子模块自身是可以并行的，decoder无并行

6.wor2vec相关，Mikolov 那篇论文里Hierarchical softmax和negative sampling能解释一下吗？

答：无论是Hierarchical softmax还是negative sampling都是加快模型训练速度的算法，不同的是negative sampling是对负样本进行采样，即如果不进行采样长度为1000的词表，需要拟合1个正样本和999个负样本，而采样后只需要拟合1个正样本和10-20个负样本就行，而Hierarchical softmax则是通过构建huffman树将多分类问题转化为多个二分类问题来降低计算量

7.笔试自我评价以及思路；

8.算法：最短编辑距离（动态规划）。Leetcode.72编辑距离。

class Solution:
    def minDistance(self, word1: str, word2: str) -> int:
        n1 = len(word1)
        n2 = len(word2)
        dp = [[0] * (n2 + 1) for _ in range(n1 + 1)]
        # 第一行
        for j in range(1, n2 + 1):
            dp[0][j] = dp[0][j-1] + 1
        # 第一列
        for i in range(1, n1 + 1):
            dp[i][0] = dp[i-1][0] + 1
        for i in range(1, n1 + 1):
            for j in range(1, n2 + 1):
                if word1[i-1] == word2[j-1]:
                    dp[i][j] = dp[i-1][j-1]
                else:
                    dp[i][j] = min(dp[i][j-1], dp[i-1][j], dp[i-1][j-1] ) + 1
        #print(dp)      
        return dp[-1][-1]