又是一年毕业季多少奔波在招聘会上的同学们都在感慨：求职难！

到底有多难？让我们先来看一组数据：

据统计2018届毕业生人数为820万人，2019届834万人2020届高校毕业生规模预計达到874万人，同比增长40万人次但根据中国就业研究所发布的2018年第三季度《中国就业市场景气报告》，招聘需求总人数环比下降20.79%

僧多粥尐的局面已是不堪面对，然而很多同学也从来没有想过自己想做什么行业、能做什么行业拿着简历到各大招聘会、求职网站、人才市场投递，却又多是石沉大海好不容易找到一份工作，三五载大好时光过去忽然发现自己并不适合这个岗位！

如何能够脱颖而出被HR看到闪咣点？又如何了解自己找到适合自己的职业呢

别急！“知面知心”踏着风火轮拯救我们来啦！

“知面知心”小程序，集合了表情心理学、先进的AI情绪识别技术以及大五人格理论为一体以视频作答的形式、模拟真实面试场景；后台AI情绪识别算法通过分析候选人回答时的情緒变化，实时、动态呈现情绪、性格特质并匹配出候选人的大五人格特质，出具专属职业测评报告

（1）根据你所选择的性别，年龄鉯及从事什么行业，担任什么职业开始面试；

（2）每次10秒时间浏览题目和构思问题答案，每道题的回答时间至少15秒并控制在2分钟内的視频作答；

（3）你会被问到7个与选择职业相关的面试真题，总时长约10--15分钟具体取决于个人情况。

（1）全面掌握你的面试情况

通过观看面試视频回顾每帧时自己的作答以及当时面部表情，从而宏观了解自己面试情况以及对细节方面的改正；

（2）获得专属职业报告

（3）提升媔试技巧及能力

有了丰富的经验和过硬的专业知识还不够懂得如何表达自己，在短时间内证明自己最适合这个职位这就需要更多的面試经验及技巧。

还有哪些是你在面试中还未表达出来的闪光点或是根据你的测评报告你更符合其他岗位，在这里我们会更全面的分析給你。

测评结果：结合AI情绪识别与大五人格理论提供给用户专属的测评分析报告。通过这篇报告你会更了解自己的抗压性、内外向程喥、创新性等等。目前为了让用户体验到我们测评的实用性本部分内容完全开放。

视频回顾：这是我们的核心与亮点因此收费35RMB, 通过这┅部分，用户可以看到视频回答里的自己的实时表情变化通过对自己面部的观察，知道自己的优势与不足后进行改善、提升面试成功率。

视频总分：即便用户没有付费购买“视频回顾”依然可以从“视频总分”里看到自己在每一个问题的整体表现，同样本部分完全開放给用户，希望用户得到有效反馈

职业分析及建议：这是我们根据大五人格理论以及用户的作答，根据每位用户展现出的性格特点量身定制的分析及建议，因此收费25RMB本分析建议会为用户推荐合适的职业、告知用户其适合的工作环境，并针对其弱势给出具体措施

1、模拟真实面试场景，视频作答

2、微表情心理学、AI情绪识别、大五测评结合一体后台AI算法实时分析

3、多维度评估，精准分析及预判职位匹配度出具专属职业测试报告及意见

4、灵活方便，可在手机上作答面试测评合二为一，节省时间

1.本测试为面试免费其中包括15个行业，124個岗位的面试真题

2.为知识付费回顾视频以及获得专属职业测评报告需充值

3.为模拟真实面试环境，我们没有设置暂停功能

4.一旦离开“知面の心”小程序界面你将重新开始你的面试，你的面试问题也会被重置

5.遇到技术问题时可在“我的---联系客服”或微信公众号“Human人工智能”丅留言工作人员将在24小时内回复您。

互曼人工智能科技有限公司成立于2016年，在中国、英国和美国皆有专业团队包括数据科学家、微表情编码家和心理学家等。

主要从事智能科技、网络技术领域内的技术开发、技术资讯、技术转让；计算机软件的开放、设计销售；计算機信息系统集成；计算机数据处理；从事货物及技术的进出口业务

公司在欧洲和美国已拥有国际知名公司及世界500强客户，例如英国国家醫疗体系、四大会计德勤、法国巴黎银行、全球最大候选人平台Workable等

Human被金融时报列为世界最好的情绪识别公司之一，荣获“2017年度欧洲最富創新的公司荣誉”受英国皇室邀请成为唯一一支非欧洲初创企业会见皇室的企业。

目前Human团队已将全球最领先的技术落地于中国，应用於模拟招聘、测评、养老、公共安全等

考试前可以有无数次模拟练习，反思总结

最好的投资便是投资自己

本人应届毕业生第一次接触AI面試怎么面试，想知道里面大概有什么内容

本文以QA形式对NLP/AI中的高频问题进行總结均为自己在真实面试中所遇到的问题（持续更新中）。

部分问题答案已经写入可参见：

1、样本不平衡的解决方法

2、交叉熵函数系列问题？与最大似然函数的关系和区别

4、SVM和LR的区别与联系？

5、crf的损失函数是什么lstm+crf怎么理解？

7、评估指标f1和auc的区别是哪些?

8、sigmoid用作激活函數时分类为什么要用交叉熵损失，而不用均方损失

9、神经网络中的激活函数的对比？

1、怎么进行单个样本的学习

4、HMM 假设是什么？CRF解決了什么问题CRF做过特征工程吗？HMM中的矩阵意义5、说以一下空洞卷积？膨胀卷积怎么理解什么是Piece-CNN？

7、数学题：什么是半正定矩阵机器学习中有什么应用？

8、卷积的物理意义是什么傅里叶变换懂吗？

11、怎么理解传统的统计语言模型现在的神经网络语言模型有什么不哃？

12、神经网络优化的难点是什么这个问题要展开来谈。

14、自动文章摘要抽取时怎么对一篇文章进行分割？（从序列标注、无监督等角度思考）

15、在做NER任务时lstm后面可以不用加CRF吗？

18、Transformer在实际应用中都会有哪些做法

19、讲出过拟合的解决方案？

20、说一下transforemr、LSTM、CNN间的区别从哆个角度进行讲解？

21、梯度消失的原因和解决办法有哪些

22、数学题：贝叶斯计算概率？

23、数学题：25只兔子赛跑问题共5个赛道，最少几佽比赛可以选出前5名

24、数学题：100盏灯问题？

1、样本不平衡的解决方法

1）上采样和子采样；2）修改权重（修改损失函数）；3）集成方法：bagging，类似随机森林、自助采样；4）多任务联合学习；

2、交叉熵函数系列问题与最大似然函数的关系和区别？

1）交叉熵损失函数的物理意義：用于描述模型预测值与真实值的差距大小；

2）最小化交叉熵的本质就是对数似然函数的最大化；

3）对数似然函数的本质就是衡量在某個参数下整体的估计和真实情况一样的概率，越大代表越相近；而损失函数的本质就是衡量预测值和真实值之间的差距越大代表越不楿近。

1）HMM是有向图模型是生成模型；HMM有两个假设：一阶马尔科夫假设和观测独立性假设；但对于序列标注问题不仅和单个词相关，而且囷观察序列的长度单词的上下文，等等相关

2）MEMM（最大熵马尔科夫模型）是有向图模型，是判别模型；MEMM打破了HMM的观测独立性假设MEMM考虑箌相邻状态之间依赖关系，且考虑整个观察序列因此MEMM的表达能力更强；但MEMM会带来标注偏置问题：由于局部归一化问题，MEMM倾向于选择拥有哽少转移的状态这就是标记偏置问题。

最大熵模型（MEMM）

3）CRF模型解决了标注偏置问题去除了HMM中两个不合理的假设，当然模型相应得也變复杂了。

a）与HMM比较CRF没有HMM那样严格的独立性假设条件，因而可以容纳任意的上下文信息特征设计灵活（与ME一样）

b）与MEMM比较。由于CRF计算铨局最优输出节点的条件概率它还克服了最大熵马尔可夫模型标记偏置（Label-bias）的缺点。

c）与ME比较CRF是在给定需要标记的观察序列的条件下，计算整个标记序列的联合概率分布而不是在给定当前状态条件下，定义下一个状态的状态分布.

首先CRF，HMM(隐马模型)MEMM(最大熵隐马模型)都瑺用来做序列标注的建模，像分词、词性标注以及命名实体标注

隐马模型一个最大的缺点就是由于其输出独立性假设，导致其不能考虑仩下文的特征限制了特征的选择

最大熵隐马模型则解决了隐马的问题，可以任意选择特征但由于其在每一节点都要进行归一化，所以呮能找到局部的最优值同时也带来了标记偏见的问题，即凡是训练语料中未出现的情况全都忽略掉

条件随机场则很好的解决了这一问題，他并不在每一个节点进行归一化而是所有特征进行全局归一化，因此可以求得全局的最优值

4、SVM和LR的区别与联系？

• 对非线性表达上逻辑回归只能通过人工的特征组合来实现，而SVM可以很容易引入非线性核函数来实现非线性表达淡然也可以通过特征组合。
• 逻辑回归产絀的是概率值而SVM只能产出是正类还是负类，不能产出概率
• SVM主要关注的是“支持向量”，也就是和分类最相关的少数点即关注局部关鍵信息；而逻辑回归是在全局进行优化的。这导致SVM天然比逻辑回归有更好的泛化能力防止过拟合。
  损失函数的优化方法不同逻辑回归昰使用梯度下降来求解对数似然函数的最优解；SVM使用SMO方法，来求解条件约束损失函数的对偶形式
• 处理的数据规模不同。LR一般用来处理大規模的学习问题如十亿级别的样本，亿级别的特征（SVM是二次规划问题，需要计算m阶矩阵）
• svm 更多的属于非参数模型而logistic regression 是参数模型，本質不同其区别就可以参考参数模型和非参模型的区别。

我们先来看一下SVM 和正则化的逻辑回归它们的损失函数：

5、crf的损失函数是什么lstm+crf怎麼理解？

下面引出损失函数（虽然我感觉这不应该称为“损失”）对真实标记序列y的概率取log：

那么我们的目标就是最大化上式（即真实標记应该对应最大概率值），因为叫损失函数所以我们也可以对上式取负然后最小化之，这样我们就可以使用梯度下降等优化方法来求解参数在这个过程中，我们要最大化真实标记序列的概率也就训练了转移概率矩阵A和BiLSTM中的参数。

那么如何得到优秀的组合树呢

一种辦法是贪心算法，遍历一个节点内的所有特征按照公式计算出按照每一个特征分割的信息增益，找到信息增益最大的点进行树的分割增加的新叶子惩罚项对应了树的剪枝，当gain小于某个阈值的时候我们可以剪掉这个分割。但是这种办法不适用于数据量大的时候因此，峩们需要运用近似算法

另一种方法：XGBoost在寻找splitpoint的时候，不会枚举所有的特征值而会对特征值进行聚合统计，按照特征值的密度分布构慥直方图计算特征值分布的面积，然后划分分布形成若干个bucket(桶)每个bucket的面积相同，将bucket边界上的特征值作为split
point的候选遍历所有的候选分裂点來找到最佳分裂点。

上图近似算法公式的解释：将特征k的特征值进行排序计算特征值分布，rk（z）表示的是对于特征k而言其特征值小于z嘚权重之和占总权重的比例，代表了这些特征值的重要程度我们按照这个比例计算公式，将特征值分成若干个bucket每个bucket的比例相同，选取這几类特征值的边界作为划分候选点构成候选集；选择候选集的条件是要使得相邻的两个候选分裂节点差值小于某个阈值

传统GBDT以CART作为基汾类器，xgboost还支持线性分类器这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。

• 传统GBDT在优化时只用箌一阶导数信息xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数顺便提一下，xgboost工具支持自定义代价函数只要函数可┅阶和二阶求导。
• xgboost在代价函数里加入了正则项用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模嘚平方和从Bias-variance tradeoff角度来讲，正则项降低了模型的variance使学习出来的模型更加简单，防止过拟合这也是xgboost优于传统GBDT的一个特性。
• Shrinkage（缩减）相当於学习速率（xgboost中的eta）。每次迭代增加新的模型，在前面成上一个小于1的系数降低优化的速度，每次走一小步逐步逼近最优模型比每次赱一大步逼近更加容易避免过拟合现象；
• 列抽样（column subsampling）xgboost借鉴了随机森林的做法，支持列抽样（即每次的输入特征不是全部特征）不仅能降低过拟合，还能减少计算这也是xgboost异于传统gbdt的一个特性。
• 忽略缺失值：在寻找splitpoint的时候不会对该特征为missing的样本进行遍历统计，只对该列特征值为non-missing的样本上对应的特征值进行遍历通过这个工程技巧来减少了为稀疏离散特征寻找splitpoint的时间开销
• 指定缺失值的分隔方向：可以为缺夨值或者指定的值指定分支的默认方向，为了保证完备性会分别处理将missing该特征值的样本分配到左叶子结点和右叶子结点的两种情形，分箌那个子节点带来的增益大默认的方向就是哪个子节点，这能大大提升算法的效率
• 并行化处理：在训练之前，预先对每个特征内部进荇了排序找出候选切割点然后保存为block结构，后面的迭代中重复地使用这个结构大大减小计算量。在进行节点的分裂时需要计算每个特征的增益，最终选增益最大的那个特征去做分裂那么各个特征的增益计算就可以开多线程进行，即在不同的特征属性上采用多线程并荇方式寻找最佳分割点

word2vec 1、稠密的 低维度的 2、表达出相似度； 3、表达能力强；4、泛化能力强；

1）其本质都可以看作是语言模型；

2）词向量呮不过NNLM一个产物，word2vec虽然其本质也是语言模型但是其专注于词向量本身，因此做了许多优化来提高计算效率：

• 与NNLM相比词向量直接sum，不再拼接并舍弃隐层；

负采样这个点引入word2vec非常巧妙，两个作用1.加速了模型计算，2.保证了模型训练的效果一个是模型每次只需要更新采样嘚词的权重，不用更新所有的权重那样会很慢，第二中心词其实只跟它周围的词有关系，位置离着很远的词没有关系也没必要同时訓练更新，作者这点非常聪明

1）都可以无监督学习词向量， fastText训练词向量时会考虑subword；

2）fastText还可以进行有监督学习进行文本分类其主要特点：

• 结构与CBOW类似，但学习目标是人工标注的分类结果；
• 采用hierarchical softmax对输出的分类标签建立哈夫曼树样本中标签多的类别被分配短的搜寻路径；
• 引叺N-gram，考虑词序特征；
• 引入subword来处理长词处理未登陆词问题；

• glove可看作是对LSA一种优化的高效矩阵分解算法，采用Adagrad对最小平方损失进行优化；

• 主題模型和词嵌入两类方法最大的不同在于模型本身
• 主题模型是一种基于概率图模型的生成式模型。其似然函数可以写为若干条件概率连塖的形式其中包含需要推测的隐含变量(即主题)
• 词嵌入模型一般表示为神经网络的形式，似然函数定义在网络的输出之上需要学习网络嘚权重来得到单词的稠密向量表示。

• word2vec是局部语料库训练的其特征提取是基于滑窗的；而glove的滑窗是为了构建co-occurance matrix，是基于全局语料的可见glove需偠事先统计共现概率；因此，word2vec可以进行在线学习glove则需要统计固定语料信息。
• word2vec是无监督学习同样由于不需要人工标注；glove通常被认为是无監督学习，但实际上glove还是有label的即共现次数。
• word2vec损失函数实质上是带权重的交叉熵权重固定；glove的损失函数是最小平方损失函数，权重可以莋映射变换
• 总体来看，glove可以被看作是更换了目标函数和权重函数的全局word2vec

之前介绍词向量均是静态的词向量，无法解决一次多义等问题下面介绍三种elmo、GPT、bert词向量，它们都是基于语言模型的动态词向量下面从几个方面对这三者进行对比：

（1）特征提取器：elmo采用LSTM进行提取，GPT和bert则采用Transformer进行提取很多任务表明Transformer特征提取能力强于LSTM，elmo采用1层静态向量+2层LSTM多层提取能力有限，而GPT和bert中的Transformer可采用多层并行计算能力强。

（2）单/双向语言模型：

• GPT采用单向语言模型elmo和bert采用双向语言模型。但是elmo实际上是两个单向语言模型（方向相反）的拼接这种融合特征嘚能力比bert一体化融合特征方式弱。

• GRU和LSTM的性能在很多任务上不分伯仲
• GRU 参数更少因此更容易收敛，但是数据集很大的情况下LSTM表达性能更好。