©原创作者 | 三金

写在前面

目前短视频行业越来越火爆，推荐算法、广告算法引擎已经成为了各个大厂的核心业务系统。在此背景下，字节跳动的搜索团队就主要负责抖音、今日头条、西瓜视频等产品的搜索算法创新和架构研发工作。今天小编给大家介绍便是搜索团队的算法工程师岗位。

01 岗位介绍

岗位名称：

算法工程师（搜索广告方向）

工资待遇：

35K-65K

岗位要求：

1）出色的发现、分析、建模、解决问题的能力；良好的团队合作意识和沟通能力；关注用户体验；

2）扎实的代码能力、数据结构和基础算法功底，熟悉Linux开发环境，熟练使用C++和Python语言；

3）熟悉至少一种主流深度学习编程框架(TensorFlow/PyTorch/MXNet)，熟悉常用的深度学习算法 ；

工作地点：

上海/北京

从上述岗位介绍可以发现，算法工程师（搜索广告方向）薪酬较高，且可选工作地点为国内最发达的两座城市。对于岗位要求而言，其要求较为模糊，例如要求“熟悉常用的深度学习算法”，而并没有写明要求熟悉与该岗位相关的推荐算法等。值得注意的是该岗位没有学历背景要求，意味着本科生也可以进行投递。

02 面经干货

面经来源：小红书（ID：茶语西瓜客）

A、一面

1. 编程题：关于二分查找。

AI面试指南参考答案：

编程题建议着重刷Leetcode HOT 100题库以及《剑指Offer》。

2. 编程题：完成一个函数，输入A、 B两个等长的0-1序列，返回max(j-i)使得sum(A[i:j]) == sum(B[i:j])

AI面试指南参考答案：

编程题建议着重刷Leetcode HOT 100题库以及《剑指Offer》。

3. 讲一讲简历上的项目。

AI面试指南参考答案：

首先要一句话介绍背景，然后介绍项目是怎么做的，最后介绍效果如何。此外还注意项目的创新点、衡量指标、你的贡献等。

4.如何判断模型是否出现了过拟合，如何判断线上效果不好是过拟合导致的还是数据分布不一致导致的。

AI面试指南参考答案：

1）过拟合即模型训练和验证数据集上都表现得很好，但是在测试数据集上却表现得很差。

2）进行数据重采样，例如上采样，若效果仍不好，则说明是过拟合导致的，反之则是数据分布不一致。

5.如何抑制过拟合?

AI面试指南参考答案：

1）从数据入手进行数据增强，从而学习到更多的特征，减少噪声的影响；

2）降低模型的复杂度，例如使用dropout、Eearly Stopping、剪枝等方法；

3）使用正则化方法，例如L1正则化、L2正则化；

4）使用集成方法，例如Bagging方法。

6.L1、L2哪一个使权重产生稀疏化?

AI面试指南参考答案：

L1使权重产生稀疏化。从导数角度来看，L1正则求导后，损失函数在0处是极小值，所以优化的时候会更容易得到权重等于0，而L2正则求导后，极小值不在0处。

B、二面

1. 编程题:不用二分、不用牛顿迭代，求解开根号问题？

AI面试指南参考答案：

使用梯度下降方法，其迭代公式如下所示，其中x为初始值，lr为学习率：

2.旋转不降数组，找到第一个不大于target值的数字的下标。

AI面试指南参考答案：

思路：二分查找法

3.文本匹配如何改进效果，从哪里入手？

AI面试指南参考答案：

选择合适的模型，例如BERT。利用BERT模型对文本进行向量化表示, 解决Word2Vec一词多义的问题, 使用Transformer编码器对文本进行特征提取, 获取文本内部信息, 并考虑两个文本之间的多层次交互信息, 最后由拼接向量推理计算出两个文本之间的语义匹配度。

4.文本分类如何进一步改进模型？

AI面试指南参考答案：

不同的文本分类场景使用不同的模型，目前BERT是文本分类任务最常用的模型。对于BERT的改进可以从以下几个方面进行：

1）从预训练模型进行改进，即采用不同的预训练模型，例如ALBERT、RoBERT等，一方面可以加快模型训练速度，使其收敛更快，另一方面通常可以使模型达到更好的效果；

2）改进[Mask]策略，从而使结果更加精准。例如，原始的BERT使用的是subword维度，改进后的BERT WWM(Google)是按照whole word维度进行mask，能够进一步学习词之间的关系。

3）在保持BERT模型分类性能的同时，进行模型压缩，从而减少推断时间以及内存开销。例如通过知识蒸馏的方法训练小模型。

5. WGAN的推土机损失

AI面试指南参考答案：

WGAN使用的是推土机距离（wasserstein_loss），即目标值与预测值乘积的均值。

C、三面

1.项目介绍，有哪些难点，怎么解决的？

AI面试指南参考答案：

考察项目的熟悉度。

2.使用Int8量化时，如何防止数值溢出？

AI面试指南参考答案：

1）在计算卷积的时候，使用Int32作为中间值。因为Int8进行乘加操作后结果不会超出Int32范围。

2）通过线性映射的方法，即在带偏置的层中，先将Int8转为Float32计算出结果，再转为Int8。

3.ALBERT相对于BERT有哪些优点与改进。

AI面试指南参考答案：

ALBERT是轻量级BERT，ALBERT采用了一种因式分解的方法从而大幅度减少了BERT的模型参数，解决了参数过多超出内存导致无法将网络加深、加宽的问题。

4.优化BERT本身结构进而实现加速的模型。

AI面试指南参考答案：

1）DistilBERT：在BERT的基础上用知识蒸馏技术训练出来的小型化BERT。

2）ALBERT ：轻量级BERT，采用了一种因式分解的方法，从而大幅度减少了BERT的模型参数；

3）TINYBERT：在DistilBERT的基础上做了改进——针对Transformer结构的知识蒸馏以及针对pre-training和fine-tuning两阶段的知识蒸馏。

5. BERT模型蒸馏是如何做的？

AI面试指南参考答案：

1）精调阶段蒸馏。例如在Distilled BiLSTM中，教师模型采用精调过的BERT-large，学生模型采用BiLSTM+ReLU进行蒸馏，蒸馏的目标是hard labe的交叉熵和logits之间的MSE。

2）蒸馏隐层知识。例如BERT-PKD是从教师模型的中间层提取知识，从而避免了蒸馏最后一层导致过拟合的风险。

3）预训练阶段进行蒸馏。例如DistillBERT是在预训练阶段进行知识蒸馏，新增加了一个损失函数——cosine embedding loss。

4）蒸馏注意力矩阵。例如MiniLM只蒸馏最后一层，并且只蒸馏教师、学生两个矩阵的KL散度。

6.判重项目，非Bert模型与Bert模型是如何结合的，bagging吗？

AI面试指南参考答案：

两种模型一般是如何结合的？

可以通过模型融合的方法，例如

1）简单的加权融合；

2）通过集成学习的方法。

7.模型集成有哪些手段，各自的优缺点是什么，有哪些应用的场景。

AI面试指南参考答案：

1）Boosting方法：训练基分类器使用串行的方式，即分而治之，大部分情况下，经过 boosting 得到的结果偏差（bias）更小，缺点是数据不平衡导致分类精度下降，训练比较耗时。例如Adaboost 和 Gradient boosting。

2）Bagging方法：训练基分类器使用并行的方式，即集体投票决策，大部分情况下，经过 bagging 得到的结果方差（variance）更小，缺点数据样本量小的时候性能表现较差，而且有时未必能保证基分类器之间相对独立，例如随机森林。

8.时间序列模型有哪些?

AI面试指南参考答案：

1）使用RNN来做CTR预估的模型。其中RNN适用于有序列(时序)关系的数据，CTR预估重点用于学习组合特征。

2）DeepFM模型。该模型兼顾了低阶和高阶特征，可以处理搜索广告中与时间序列相关的数据。

9.场景题：抖音场景下，措建一个搜索广告系统，如何平衡一个广告的商业价值和用户体验呢？

AI面试指南参考答案：

主要从两个方面考虑：1、让用户不用思考；2）不能引发用户的防备。

例如打开APP之前的广告展示，时间不能太长，广告内容可以与用户经常搜索的内容相关。

10.如何优化广告搜索场景中的“相关性”？

AI面试指南参考答案：

通过用户行为、用户信息、时空信息、用户的输入、视频文字理解等海量特征来找出符合用户需求的结果。

11.代码题：正则表达式匹配

AI面试指南参考答案：

1）思路一：回溯法，搜索全部场景匹配。

2）思路二：动态规划。

相似例题参考：https://blog.csdn.net/kayle1995/article/details/106487236

03 结语

看完上面的面经，你觉得难度系数几颗星呢？小编提醒，在这份面经干货中，三次面试都有问到编程题，由此可见刷题的重要性！建议大家着重刷Leetcode HOT 100题库以及《剑指Offer》。

此外，大家对自己简历上的项目一定要十分熟悉，面试官可能会根据项目进行深入提问，特别是技术路线、衡量指标等细节。

最后，希望屏幕前的你能够成功上岸！

私信我领取目标检测与R-CNN/数据分析的应用/电商数据分析/数据分析在医疗领域的应用/NLP学员项目展示/中文NLP的介绍与实际应用/NLP系列直播课/NLP前沿模型训练营等干货学习资源。