竹间智能
- 算法题
股票应在什么时刻买入卖出最盈利，时间复杂度为n
如果是N2，则可以在两次循环中，里循环算出某次后面最大值，外循环算出前面的买入点和后面点的最大差值。
为n，在一个循环里，从后往前，依次更新最小点的位置（值），以及最小差值。
2.小的创业公司更强调能力
LSTM的图
建议：对项目的整个流程必须很清楚的描述，尤其是词嵌入是怎么做的、实现的？多少维多少维
输入输出是什么，怎么优化模型，得出来怎么样的效果（控制变量）
触宝科技
1.算法
单链表的转置
村庄是0，山是1，输入一个数组【】【】，输出有多少的村庄
2.项目
介绍项目，桶机制，不同语言；
attention机制
建议：不能太依靠api，代码能力要加强。attention机制再看一下
e城科技
1.算法
两个排好序，知道中值的数组。将两个数组合并之后，如何知道中位数m
log2n：依次比较两个的中位数，可以知道m落在哪个分支上，然后每次舍去一半分支，再取中位数比较
二叉树的深度、遍历
2.项目
整个介绍。
CRF与HMM，区别
意图识别怎么做
attention机制
采用的什么框架，如何优化模型
建议：商用的项目不满足与seq2seq，要结合意图识别等来做。
汉字的同音不同语义，如何比较句子的相似度比较。
最新的transform、bert等等
平安好医生
1.业务
前程无忧的聊天机器人，应该让人第一个想到的就是，求职问题咨询，而不是闲聊机器人。一个项目是由好多个模型融合而成，单一的seq2seq闲聊机器人在业界都是难题，效果不好。
2.CRF的原理
Attention机制的原理，而不是简单的点乘。
Nlp聊天机器人为主，实体识别，词嵌入为辅
1.word2vec、以及与TF-IDF的区别（TF-IDF）。nlp语言模型： 1n -grammar 2 cbow 3skip -grammar(重点看这个)
2.如何评价seq2seq，原理是什么（FLAGS.bleu）。在Flags文件夹下面，有个bleu接口，用来评估nlp测试结果
3.Dropout原理、作用
4.把整个聊天机器人项目从头到尾描述一下，桶机制。做桶的目的是节约计算资源。
5.Seq2seq框架以及attention机制。解释整个流程、输入、attentiom机制、tf实现时如何构造Lstm
6.如何解决过拟合：a.dropout b.加入正则项 c.增加数据样本
7.机器学习部分，按照简历上写的，问了svm和Adaboost
8.实体识别、词性标注Nre很重要
9.embedding词嵌入是怎么做的。词嵌入的目的是降维，17维与3维进行全连接
10.Adam和其他更新梯度的算法
11.数据结构与算法部分：堆排序、动态规划、维比特算法
12.GAN两个模型的损失函数以及原理
13.意图识别：规则模板意图识别、深度学习意图识别
14.attention其实是遍历...
15.双向BiLstm+crf条件随机场，比传统的条件随机场的好处，也就是深度学习的好处
双向lstm或IdCNN模型，找到x,y. y是双标签，x是文字word2vec映射成的词向量。
如何拟合x.y:拟合之前第一步提取x的特征，用BiLstm或idCNN对x做特征提取，+分类器（crf条件随机场）
IdCNN与cnn的区别是，idCNN的卷积核是扁的：找一句话之间的关系可以用扁的。
好处：可以有效地抗噪音：完形填空时，扁的卷积核它只会扫当前这句话，不会把上下文卷进来，抗的是上下文的躁。
CNN和RNN本质上没有太大差别，都是把局部的相关性体现出来，CNN体现在空间上，RNN体现在时间时序上
crf：条件随机场。跟rnn很类似，提供了一个分类结果，当然它也可以做特征提取。它的分类需要算一个联合概率
第一步，找到x,y
第二步，对x做特征提取、特征工程（之前所有的resnet等都是为特征工程服务的），对y做one_hot向量（或二分类）
第三步，去拟合，分类
16.chatbot的lstm层数量如何决定：
2~n层，如果训练模型效果不好，就增加层数，层数越多效果越好，但是训练模型的时间也会越久，根据实际情况可以作为一个超参数进行调整
其他
1.决策树和xgboost，问了树模型的生成过程：
树模型包括内部点和叶子节点，内部节点表示样本的特征，叶子节点表示样本，在树模型向下分裂时，根据分裂前后定义的一个指标来衡量不同特征带来的增益，选择增益最大的特征作为该节点分裂的特征，依次向下分裂。
2.python多线程，问到了python GIL锁。
python GIL锁的存在导致python多线程其实还是单线程，因为它的存在，python多线程比单线程的消耗还大，所以有了python多进程来解决并行的问题。
3.讲一讲seq2seq模型。
seq2seq属于encoder-decoder结构的一种，基本思想就是利用两个RNN，一个RNN作为encoder，另一个RNN作为decoder。encoder负责将输入序列压缩成一个语义向量，这个过程称为编码。decoder负责接受encoder的语义向量并生成输出序列。
4.attention的分类：全局attention和局部attention，hard attention和soft attention
self-attention的机制：对输入的每个单词计算Q，K，V向量，来实现自注意力
最初attentin是怎样实现的：输入序列隐藏状态的加权和
5.BERT和GPT的区别：训练目标不att的优化目标是单向神经网络语言模型，使用的是transformer decoder，bert的优化目标有两个，一个是双向神经网络语言模型，采mask的方式实现，另一个目标是上下句的关系，使用的是transformer encoder。
NLP常见面试问题总结：Word2Vec、LSTM、BERT等
- 基础的数据结构：插入排序、选择排序 （记下时间复杂度）， 链表新增、删除，二叉树的遍历，其他场景算法题大多出自leetcode
- 逻辑回归损失是什么， 手动推导一遍
- 对集成学习， SVM的理解，以公式的形式写出来最好
- 对HMM ，CRF的理解， CRF的损失函数什么，维特比算法的过程
- 手写一个tfids
- word2vec的CBOW与SkipGram模型及两种训练方式(负采样\层级softmax)， 两种训练方式的区别和应用场景,
7.word2vec和fasttext的区别， 训练word2vec的有哪些重要参数 - LSTM的单元结构图和6个公式要记住
- 有几种Attention, Attention和self-Attention是具体怎么实现的，对应什么场景
- BERT的模型架构，多少层，什么任务适合bert，什么任务不适合，应用在你写的项目改怎么做
- tensorflow手写一个卷积代码， BILSTM + CRF模型的原理，记住常用基础api(比如jieba添加默认词典api，分词api)
- 问项目阶段， 会问数据集怎么得到、模型的训练、怎么部署、项目人员周期，开发中出现问题怎么解决等
平安金融一账通gamma lab nlp实习生面试(https://blog.csdn.net/weixin_40245541/article/details/88645743)
某公司人工智能面试总结
(https://blog.csdn.net/weixin_41179606/article/details/82290433)
(https://blog.csdn.net/qq_17677907/article/details/86448214)
https://www.sohu.com/a/135586944_717210
https://www.cnblogs.com/yufan27209/p/7676875.html
http://share.iclient.ifeng.com/shareNews?aid=67379317&fromType=vampire
(https://blog.csdn.net/u013510838/article/details/81907121)
Seq2Seq
https://blog.csdn.net/gzmfxy/article/details/78691048
