超详细！腾讯NLP算法岗面经（已offer）

作者 | ZipZou

整理 | NewBeeNLP

面试锦囊之面经分享系列，持续更新中 

可以后台回复"面试"加入交流讨论组噢

分享一篇旧文，希望大家都成功上岸~

写在前面

首先来段简单的自我介绍：2021届硕士，硕士期间未有实习经历，本科大三有过一次实习，小公司，可以忽略。本人投递的是腾讯暑期实习：技术研究-自然语言处理方向。

腾讯校招开启的比较早，提前批在3.5号就已经开启了，我算是赶上了最早的那一批。本次的算法岗竞争同往年一样，也蛮激烈的，我亲眼看着，从投递最初NLP岗的投录比为3:1，面试时升到了4:1，最后完成流程后变为了5:1，NLP方向相对好些，CV、机器学习等竞争更大，CV 9:1，ML 10:1，听师兄描述，算法岗到后面会到20:1都可能，所以还是要趁早准备。

本人的面试流程大概如下，3月1日找的内推，收到完善简历的链接，在官网投了简历，当时选择的意向BG是WXG，3月2日上午收到HR小姐姐电话，说她们是PCG部门，问我面不面，我大概询问了PCG的主要业务，得知是社交类的业务居多，然后就拒绝了，说还是优先考虑面WXG那边，于是HR小姐姐便说帮我转投。

这点很诡异，官网的显示是，校招从3.5日开始提前批，但是实际上在这之前应该就开始筛简历并且面试了。

在腾讯，据说简历如果被捞了，如果同意面试简历就会被锁定，从简历池中提到面试的部门，这样其他的BG就看不到你的简历了，然后走官方流程，当时不知道，主要是考虑WXG当时更符合我的预期吧。

3月4日，再次收到HR电话，官网当时状态是未发起面试，这次是直接约面试时间，问我啥时候有空，约了3月6日（在此之前大致准备了下算法题，但是没有仔细准备，所以隔了两天，再充分准备下）。3月6日下午，参加了电话面试，3.9，查公众号状态进入复试。期间等待了一段时间，3.15日收到二面电话，并且是当天面试，于是当天晚上8点面试，到9点左右结束。第二天，官网流程变为HR面，17日下午收到面试邀请链接，约20.40的视频面试，20日状态更新为已完成。

一面（技术面）

一面个人感觉面的不是很好，虽然大部分问题答出来了，但是还是有不清晰的地方，而且有些问题没有答出来，甚至以为会挂，一面时间持续了大概有1小时2分钟。面试形式：电话面试。

1. 简要的自我介绍。

自我介绍之前大致准备了下，就主要介绍个人情况，我主要是按照简历上的内容，大概介绍了下，时间在3分钟左右，但是个人感觉亮点不够突出，这点大家可以再发挥。

1. 研究生阶段最有挑战的项目是什么？

我觉得这是我的一面面试官比较关注的点，这点聊了很久。因为我们组的主要方向是智能化软件测试，或者说智能软件工程，然后介绍了最近研究的一个项目。大概介绍了这个项目的动机，然后传统的一些研究方法，以及我们准备采用的一些方法（NLP相关）。

1. 对于这个项目，传统的方法是怎么样的？

介绍了在软件测试领域大致的做法，主要是机器学习相关的内容了，即人工抽取的一些特征，已经使用的方法。

1. 列举下这个任务在传统用法的一些典型特征。

我大概列举了几个，感觉这里的案例说的不是很清楚，因为那些工作主要不是我在做，我只是对这些工作有过一些了解。

1. 看你简历里有QA相关的论文，大概介绍下里面用的方法。

主要介绍了这篇论文用的模型，以及方法，细节面试官没有深究。

1. 你在这篇论文里用到的是GloVe，为何不用word2vec，或者说word2vec与GloVe有什么区别？

我大致说了下他们的区别：word2vec是NNLM的一个较为典型的代表，其利用了DNN的方法来训练获取到词向量，而且词向量是中间产物，这个思路最早是Bengio提出，Google Brain提出的word2vec让词向量火了起来。而GloVe是采用词频统计信息，利用一些数学方法逐步优化得来，它没有神经网络的结构，所以词向量训练的速度相对更快。（这里当时不记得具体的公式推导了，原论文我倒是看过，但是当时记得不清了，实际上GloVe是词共现矩阵+类SVD的方法）

1. 你清楚word2vec吗，大致描述下word2vec的结构以及训练方法。

清楚（好刚的我，面完发现答的有瑕疵），从宏观上描述了DNN的一个结构，从输入（大致带过分词，词表构建，one-hot等过程），到隐层，到输出层。然后详细讲了两种训练结构，即CBoW和Skip-Gram，但是当时这两种方法被我说反了。（当时并无觉察）讲完两种训练方法后，大致介绍了下训练时候词表大小过大，输出层过大的优化方法，即：hierarchical softmax和negative sampling。

1. 现阶段NLP的研究相对CV发展还是很缓慢，你认为是什么原因？

自然语言存在变化性，和不确定性，即语义的抽取对神经网络来说是很难的，在英文，人脑可以通过词形来建立词与词之间的关系，但是语义不确定性很强，比如歧义，一词多义，词序等等都会影响语义。而CV的特征相对固定，如图像处理，filter提取的特征一般是某种轮廓或边缘特征，这些特征对于特定的物体都是固定的，所以效果会更好。（说了很多废话，不清楚，其实总结就是感知智能和认知智能，感知智能很容易实现，即CV，而认知智能有很多挑战，即NLP）

1. 你知道隐马尔可夫模型吗，大概介绍下。

当时HMM的具体理论在准备阶段就大致地看了下，面试官很nice，没有很为难，理论的不记得那来实践的，就接着这个问题，问了HMM的几个要素，即：初始概率，状态转移矩阵，发射矩阵，这三个要素，然后我主要讲了下这三个要素的运算过程，提及了一下维特比算法。（这里当时准备的不充分，说的不是特别清楚，后来我去恶补了一下）

1. 维特比算法其实是一种动态规划算法，动态规划算法通常用来解决什么问题，在HMM里是怎么使用的？