前言

2020 秋招基本结束了，拿到了几个想要的意向书，现在在这里大概说一下我的面试经验，供大家参考。

这是系列的第二篇文章，快手。

---

我的情况

• 华东师范大学硕士，真正的末流 985
• 一篇一作 AAAI，谢谢我的导师
• 腾讯公司实习

总体感觉

快手我一开始投了数据科学家，然后简历直接被拒掉了...然后我改投 NLP 岗之后，拿到了意向书，运气还是比较好的。

类似我还投了美团的北斗，也是直接给我简历给拒掉了...但是美团这边我没有好运气，北斗卡了我的简历两个月，一直没法改投。当时因为没有很想去美团，也不是很在意，没有找 HR 帮我释放简历。没想到美团今年涨薪这么多...真的是造化弄人啊。

快手的流程是比较慢的。一共只有两轮面试，没有 HR 面（模范公司，不知道为什么有些公司要一轮一轮面个没完，最后还要来个 HR 把你刷掉）。一面与二面之间间隔了大概一周，二面与意向书之间相差了大概两周。HR 小姐姐给我打电话的时候，笑着说“你可能已经忘了吧”...没错，我确实已经快忘了。所以说面快手的同学，面完之后如果没有消息，请不要着急，耐心等待。

面试内容

所有的面试都会问我的论文和实习经历。这也是大家重点需要准备的。即使没有论文或者实习，只要是你写在简历的显眼地方的经历，都必须要了如指掌，要准备好。如果面试官问你简历上的东西而你没有回答好，这是非常减分的。

具体地，你必须要明白以下几点：

• 这段经历表现了我的什么能力？
• 这篇论文/这段实习工作 解决了什么问题？（如果你讲半天方法论结果面试官根本不知道你到底要干嘛，结果可想而知。
• 为什么要解决这个问题？（不要让别人觉得你的工作不重要。
• 调研参考了什么方法？（如果是讲论文的话，最好讲一下你主要 follow 的工作以及别人的思路，不然面试官很可能不知道你的论文到底在改进什么。
• 如何解决了这个问题？（这部分讲你自己的方法论，如果前面铺垫好了，这部分就是你表现的机会了。
• 最后成果如何？（这里可以说一些具体的评价指标。

然后可以按照这个顺序，把你的工作讲述出来。

另外，面试官如果对你所做的内容有所了解，他很可能会问一些设计上的问题：这里为什么要这么设计？如果换种做法可以吗？会有什么问题？

比如说，我的论文内容是做跨领域文本情感分析，其中的方法涉及到了对抗学习与多模型互学习。我就被问到了以下问题：

• 对抗学习是通过什么方案实现的？（我使用的梯度反转层）
• 对抗学习的训练过程有什么技巧？
• 互学习是什么方法？有什么用？有多个模型为什么不直接做模型融合？
• 两个模型互学习，不会互相输送错误信息吗？

这些问题，都是很难找到标准答案的，需要你对自己做的工作有充足的理解。因此不管是论文投稿还是用论文去找工作，都需要你对自己的工作

• 有清晰的 insight，明白它为什么 work。至少你要首先说服你自己。“实验结果就是好”的工作是没有说服力的。
• 对类似的方法有过调研。不然别人问一句，“你有没有试过 XXX”，然后你完全不知道这个东西的存在，他会怀疑你到底是不是搞这个的。
• 做充足的对比实验。

一面

就像 HR 小姐姐说的，发意向书的时候，我就已经完全忘了，只记得过程很顺利，无非是一些常规的题目 + 编程题。

二面

二面是在一周之后。

二面没有问我编程题。面试官看起来有点老学究的气质。开口果然跟其他的面试官不一样。这个面试官问的问题比较深入，他会针对你的回答不断追问，需要你对问题有比较好的理解。因此我对这次面试的题目记得还是比较清楚的：

• LSTM 和 RNN 的区别？为什么能解决梯度消失的问题？
  • 梯度消失问题是如何产生的？
  • LSTM cell 设计与残差块的区别是什么？残差就能解决梯度消失的问题，为什么 LSTM 不直接设计为简单的残差块？（因为 LSTM 还需要对历史信息进行递减，所以需要加个遗忘门）
• 交叉熵，KL 散度和 JS 散度的区别？（JS 散度我当时已经忘记是什么东西了，因此我只讲了交叉熵与 KL 散度的关系）
• 过拟合问题是如何产生的？什么样的场景会产生过拟合？（模型能力过强，数据量较少，模型表达能力相对数据的信息量来说太强）
  • 如何解决过拟合问题？（我回答了正则化，于是有了下面的问题）
• L1 正则化和 L2 正则化有什么区别？
  • 为什么现在都用 L2 正则，很少用 L1 正则？

总结

总的来说，快手的面试经历对我来说还是比较愉快的。因为没有像其他公司那样问很多早就忘了的基础知识（比如信号量是什么？进程有几种状态？讲讲设计模式？这些问题真的是莫名其妙），而且只有两面就直接发了意向书，一点也不拖泥带水，真的是面不了吃亏面不了上当 hhhh。

---

这就是我的快手面试经历了，感谢大家的阅读。希望大家也能早日拿到自己心仪的 offer！