2023年九月底周六下午三点我坐在出租屋书桌前眼前的浏览器开着牛客笔试界面右上角倒计时已经只剩一半。页面顶上写着一行字“2023秋季校园招聘-腾讯音乐-技术研究类-笔试”。这是我整个秋招里最在意的一场笔试之一。腾讯音乐娱乐集团手里的牌——QQ音乐、酷狗、酷我业务和音乐场景绑定极深技术研究类岗位基本挂在音乐推荐、音频理解、直播推荐这几个方向对我这种产品业务熟悉、技术方向也对口的人来说属于“预算之内最想拿下的offer”。这篇复盘想把还能记住的题型、考点、解题思路以及我踩过的坑都写出来。无论你是算法基本功不错但机器学习理论有点散还是笔试前一周想临时抱佛脚希望这篇内容能帮你少走一点弯路。1. 笔试前夜岗位定位与考情摸底1.1 技术研究类在TME到底做什么投递之前我认真看过TME技术研究类的岗位描述。它和普通后端的“技术类”不一样核心是算法研究。音乐推荐系统包括用户兴趣建模、召回、粗排精排、冷启动本质是海量行为数据上的序列建模和CTR预估。音频内容理解歌曲风格分类、旋律特征提取、音频质量评估涉及信号处理和深度学习。直播与社交推荐直播间的实时推荐、用户关系链挖掘涉及图算法。商业策略广告排序、付费转化预估也是标准机器学习任务。这决定了笔试风格不会是纯粹的数据结构与算法而是在算法题之外塞进大量机器学习、深度学习、概率统计的内容。说白了它要筛选的人不是“只懂刷题”的竞赛型选手也不是“只会调包”的应用型选手而是两条腿都能走路的准研究员。1.2 笔试平台、时长与题量构成我印象里TME这场笔试是在牛客系统上完成的总时长120分钟题量组成大概是20道左右选择题单选加多选混在一起 3道编程题。选择题覆盖范围比纯开发岗明显偏机器学习计算机基础数据结构、操作系统、计算机网络但比重不大机器学习基础过拟合、正则化、偏差方差、评估指标深度学习基础CNN、RNN、Transformer、注意力机制概率统计与数学贝叶斯公式、期望、概率分布、矩阵基础编程题一共三道难度梯度比较明显第一题属于“热身”第二题经典模型第三题带一点图论或无脑暴力与并查集二选一的纠结。整体难度在秋招大厂笔试里属于中规中矩不刷题肯定扛不住刷够300道左右就能稳住节奏。2. 选择题现场一道题对应一个知识盲区笔试现在回想起来选择题是最拉分的地方。编程题总共三道会就是会不会就是不会大家差距不大。但选择题20道单多选混合很多人会因为几个多选题多勾了一个选项直接丢分。我把自己还能回忆起来的题目按知识点拆开讲讲。2.1 机器学习与深度学习考点回放多选题里印象最深的一道下列哪些手段可以有效缓解模型过拟合A. 增加训练样本量B. 增大模型参数量C. 引入DropoutD. 增加L2正则化系数答案ACD。B是最典型的干扰项。模型过拟合的本质是模型容量超出数据能约束的范围学习到了训练数据里的噪声。所以缓解方向要么增加数据量、要么施加约束降低有效容量。Dropout是神经网络里的经典正则化L2正则则是把权重往小的方向压两者都属于约束手段。增大参数量反而是往过拟合方向走。这道题对认真调过模型的人来说就是送分题但对只背概念、没亲手调过参的同学可能犹豫。还有一道路过Transformer必考关于LayerNorm和BatchNorm下列哪个说法正确我当时选的是“Transformer中使用LayerNorm而不是BatchNorm主要原因是序列长度变化和训练Batch大小受限时BN统计量不稳定”。BatchNorm在训练时统计的是当前batch内每个特征维度的均值和方差对batch size比较敏感。NLP场景里序列长度不一padding使得有效token数波动BN的统计量天然不稳。LayerNorm则是对单个样本的隐藏层维度做归一化和样本数、批大小无关所以更适合Transformer。另一道题给了如下场景用户听歌序列长度为n在self-attention层中计算 attention 矩阵乘以 V 矩阵的时间复杂度是答案是O(n²d)。其中n是序列长度d是隐藏维度。注意力矩阵的维度是n×n每个位置都要和所有位置算相关性乘以V依然是n×n×d的矩阵乘法所以是二次复杂度。这也是Transformer在处理长序列时最痛点的地方后面很多人研究稀疏注意力、线性注意力都是为了绕开这个n²。还有一道ResNet的题ResNet提出残差结构主要解决的问题是A. 梯度爆炸B. 过拟合C. 深层网络退化D. 计算效率低答案是C。我的理解是网络层数堆深之后训练误差先下降后上升这不是过拟合而是优化困难网络很难拟合恒等映射。残差结构让层去拟合残差F(x)这样至少可以将输入原样透传梯度也能通过捷径通道回流深层网络变得可训练。不过我当时也在“梯度爆炸”上犹豫了一下因为残差结构确实对梯度流通有帮助但题目问的是“主要解决”所以选了退化问题。我把这类高频考点整理了一下考点出现概率复习优先级过拟合与正则化极高必须系统掌握Transformer与注意力极高必须系统掌握损失函数与梯度传播高必须掌握模型评价指标AUC/PR/ROC高必须掌握CNN/RNN结构细节中重点掌握采样与类别不平衡中熟悉2.2 数据结构与概率统计考点回放关于栈的题很经典入栈序列为1,2,3,4,5下列哪个出栈序列不可能出现A. 5,4,3,2,1B. 1,2,3,4,5C. 4,5,3,2,1D. 3,1,2,5,4答案是D。3出栈之后说明1和2都已在栈内且1在栈底方向此时栈内顺序从栈顶到栈底是2,1。下一个要出栈的不可能是1因为2压在1上面。这种题对于刷过《剑指Offer》的同学是纯基础题但如果只看机器学习不看数据结构容易在这种“不应该丢分”的题上翻车。快排的题快速排序在最坏情况下的时间复杂度是答案是O(n²)。当每次pivot都恰好选到当前区间最大或最小值时每次划分只能去掉一个元素递归深度退化为n总体复杂度变成n²。平均情况和最好情况是O(nlogn)。这道题答错的人不多但我见过有人把“快排最坏是O(nlogn)”写进笔记里这个误解要格外注意。概率题我当时也留了印象某首歌热度超过阈值需要满足条件A用户点击某个入口属于事件B已知P(A)0.3P(B|A)0.8P(B|A的补集)0.2求P(A|B)。这就是典型的贝叶斯公式题 P(A|B) P(B|A)P(A) / P(B) P(B) P(B|A)P(A) P(B|A的补集)P(A的补集) 0.8×0.3 0.2×0.7 0.24 0.14 0.38 P(A|B) 0.24 / 0.38 ≈ 0.6316这种题在秋招笔试里出现频率特别高。而且大厂面试官喜欢把贝叶斯和垃圾邮件过滤、用户流失预测、点击率预估混在一起问核心公式必须滚瓜烂熟。还有一道数学期望从均匀分布U(0,1)中独立取两个数X和Y求E[max(X,Y)]。对max的双变量期望可以求分布函数再积分。P(max(X,Y)≤z) P(X≤z)P(Y≤z) z²所以max的概率密度是2z期望是∫₀¹ z·2z dz 2/3。如果你没有系统学过概率论这种题会在考场直接卡住。2.3 多选题的取舍谈判少选拿分策略TME这套选择题里多选占比不低而多选给分规则我记得是漏选得部分分、错选得零分。这个规则直接影响策略不确定的选项绝不勾。我在准备时给自己定的规矩很简单完全有把握的选项勾能排除掉一个错误选项但对另一个选项是否正确的把握在80%以下不勾一道题如果只能确认一个选项那就只勾这一个不要觉得少选吃亏秋招笔试多选错选扣分是常态部分省份公务员考试和考研政治也是类似规则少选能保住基本盘。某个知识点薄弱的时候你最需要的是稳定拿分而不是赌运气。3. 编程题复盘三道题三种典型解法编程题这场一共三道我按回忆把大致题意还原出来并把每道题的思路链、最终代码、复杂度完整写出来。题目具体数值可能有出入但考察点和动规、队列、图的模型不会错。3.1 第一题热歌滑动窗口最大值题目大致是系统按秒统计一首歌的实时试听热度得到一个长度为 n 的数组 heat给定一个窗口大小 k让你输出每个长度为 k 的滑动窗口内的最大热度值。n 最大到10的6次方级别。我看到题的第一反应是暴力每个窗口遍历k次复杂度O(nk)n是百万级别时直接超时。第二步想到用堆维护一个大根堆存(热度值, 下标)每次窗口移动时把堆顶中过期的下标弹出。复杂度O(nlogn)在百万数据下勉强可行。但考场里我猜这题预期解法是单调队列复杂度O(n)能写出这个才算稳。单调队列的核心是维护一个下标递增、热度值单调递减的队列from collections import deque def max_sliding_window(heat, k): dq deque() # 存下标对应热度值递减 res [] for i, v in enumerate(heat): # 所有小于等于当前值的下标出队保持队头最大 while dq and heat[dq[-1]] v: dq.pop() dq.append(i) # 移除已经滑出窗口的左边界元素 if dq[0] i - k: dq.popleft() # 从窗口装满开始记录答案 if i k - 1: res.append(heat[dq[0]]) return res为什么队列里要维护递减而不是递增因为滑窗最大值需要队头直接给答案如果队列头部是最小值那每次都要遍历整个队列找最大值。递减队列保证对头就是当前窗口最大值候选而比它小的新元素入队后马上丢弃旧的小元素因为旧小元素永远不可能再成为最大值。这题我答完大概用了15分钟属于热身题。核心考点有两个一是要想到用空间换时间的双端队列二是要能正确处理窗口边界下标判断dq[0] i - k这个边界条件稍微写错就会WA。3.2 第二题歌单选择里的01背包题目还原音乐节现场给出一组候选歌曲每首歌包含时长 t 和听众愉悦值 v。你现在留给某个环节的总时间上限是 W 分钟每首歌最多选一次问最多能获得多少愉悦值。这就是经典的01背包模型。背包容量W对应总时长物品重量t对应歌曲时长物品价值v对应愉悦值。状态定义是dp[j]表示总时长恰好不超过j时能获得的最大愉悦值。初始状态dp全部为0遍历每首歌再倒序枚举当前容量def max_happiness(songs, W): dp [0] * (W 1) for t, v in songs: # 倒序更新防止一个物品被用多次 for j in range(W, t - 1, -1): dp[j] max(dp[j], dp[j - t] v) return dp[W]代码看起来短但背后的优化逻辑值得说清楚。为什么容量j一定要倒序遍历因为正序遍历时外层循环遍历同一首歌时dp[j - t]可能是这一轮已经更新过的值等价于同一首歌又选了一次那就变成了完全背包问题。倒序遍历保证dp[j - t]还是上一轮的状态即每个物品只被考虑一次。我被这道题卡住的点在于一开始没看出来是背包模型因为题面里用了“音乐节”“歌单”“愉悦值”这些包装词。后来总结了一个识别套路遇到“给定若干物品每件有代价和收益求容量限制下最大收益”的描述不管包装成什么场景先想背包。这类题在互联网大厂笔试里几乎是必考题概率极高。3.3 第三题关注关系切分兴趣圈子题目大意平台上有 n 个用户m 条关注关系。如果用户A直接或间接关注了用户B且B也直接或间接关注了A那么AB属于同一个兴趣圈子。问整个平台存在多少个独立的兴趣圈子。看到“互相可达”“间接关联”“分组计数”这些词第一反应就是图连通分量。无向图的连通分量用DFS或并查集都行。但要注意题目说的是“关注关系”通常是有向的而“同一个兴趣圈子”意味着两个人互相能到达也就是有向图的强连通分量。不过秋招现场大多数人的第一反应是按无向图连通分量处理这道题的考场区分度就在这里。我遇到这种图论题的习惯是先开并查集因为并查集在n、m都是几十万规模时迭代快、代码短、不容易爆栈。如果题目明确要求有向图的强连通分量再考虑Kosaraju或Tarjan。对于“兴趣圈子”这种口语化描述通常考的就是并查集class UnionFind: def __init__(self, n): self.parent list(range(n)) self.rank [0] * n self.count n def find(self, x): while self.parent[x] ! x: self.parent[x] self.parent[self.parent[x]] # 路径压缩 x self.parent[x] return x def union(self, a, b): ra, rb self.find(a), self.find(b) if ra rb: return if self.rank[ra] self.rank[rb]: ra, rb rb, ra self.parent[rb] ra if self.rank[ra] self.rank[rb]: self.rank[ra] 1 self.count - 1 def interest_groups(n, edges): uf UnionFind(n) for a, b in edges: uf.union(a, b) return uf.count把双向关注关系看成无向边合入一个集合最后集合的数量就是圈子数量。并查集的find用路径压缩后单次查询近似O(1)合并非空间开销低是处理大图连通性的首选。这题给我的教训是图论题不要上来就写DFS。n达到百万量级时递归DFS会爆栈就算迭代版DFS也要处理visited数组和重复遍历问题。并查集从代码量到时间效率都有优势。当然如果你本身对Tarjan很熟想秀一把强连通分量解法也可以但笔试要的是稳定AC不是花活。4. 从笔试题反推技术研究岗的能力模型一场笔试不只是一次筛选它更像一面镜子能照出这个岗位日常要用什么样的思维方式。我复盘这三道编程题和选择题时最大的感受是TME技术研究类的题目设计不是随便凑的每个考点都对应真实工作中的能力需求。4.1 算法功底是研究岗的入场券滑动窗口、背包、并查集这三类题基本覆盖了大厂算法笔试最常考的模型。它们的共性是不需要背偏难怪公式但要求你见过模型、能快速匹配、代码没有边界错误。研究工作里很多问题都要抽象成数学模型你能不能把“歌单选择”快速看成“01背包”把“关注圈子”快速看成“连通分量”这种抽象能力就是研究岗的第一生产力。我自己的刷题策略是分模块刷不要东一榔头西一棒子。先按数据结构过一遍数组、链表、栈、队列、哈希、堆、树、图再按算法范式过一遍递归回溯、二分、双指针、滑动窗口、动态规划、并查集、BFS/DFS。每个模块刷20-30道代表性题目笔试前再翻一遍错题本比盲目刷500道重复题有效得多。4.2 机器学习理论不能只会调包选择题里考了LayerNorm为什么适合Transformer、自注意力复杂度为什么是二次的、过拟合怎么缓解。这些都是平时训练模型时绕不开的实际问题。如果你只会写model.fit(X, y)不理解背后每个组件为什么存在这些题多半靠蒙。我的建议是面试前至少要吃透三块理论。深度学习基础正向传播、反向传播、梯度消失与爆炸、常见激活函数和损失函数Transformer结构self-attention的时间复杂度、为什么用LayerNorm、位置编码的作用模型评价与调优过拟合、偏差方差、交叉验证、AUC、PR曲线、类别不平衡处理不用把论文原文背下来但要把公式推导一遍把“为什么选这个而不是那个”想清楚。4.3 业务场景思维决定你能走多远编程题里那道“热歌滑动窗口最大值”直接对应TME的实时热度榜单计算场景。推荐系统的滑动窗口统计、直播间的实时在线人数、音频播放的滑动平均峰值都是同一种模型在不同业务里的变形。研究岗和纯粹的研究所有区别它要求算法能落地到业务指标所以笔试里会出现这种“业务题”。面试时如果被问到“如何给用户推荐歌单”不要只回答“用协同过滤”。TME的场景里用户有听歌时长、快进、跳过、收藏、分享这些强行为信号要能想到把行为加权成隐式反馈用召回粗排精排的架构精排模型考虑用户序列和歌曲embedding的交叉。把这些想清楚才算补齐从笔试到业务的那层认知。5. 复盘与避坑给下一届的五个实操建议5.1 时间分配先扫卷再动手我这场笔试一开始就直接从选择题开始做结果在多选题上纠结太久等做到编程题时已经过去50分钟。虽然最后三道题都AC了但时间非常赶最后一题几乎是在最后10分钟里抢出来的。复盘时我觉得更合理的策略是进考场先花1分钟把所有题扫一遍尤其是三道编程题大致判断难度等级然后从编程题开始做。选择题在碎片时间里做因为每道题独立即使最后没做完损失的只是一两道题的分数但编程题如果没时间写直接损失的是接近一题的分值。5.2 笔试平台的两个细节坑牛客笔试的输入输出处理和LeetCode完全不一样。LeetCode是给你函数签名你只写核心逻辑牛客是让你自己从stdin读数据自己print结果。我认识有同学在LeetCode刷题1000道结果牛客笔试因为不会处理多行输入直接挂了。针对这个问题建议去牛客的ACM模式题库练20道题专门练input()、split()、sys.stdin.read()这些输入解析写法。另一个坑是本地IDE调试牛客笔试支持跳出代码框在本机用Python环境跑通后再粘贴回去但要注意代码里不要把调试用的print混进最终提交。我平时会在代码里加一堆print看中间变量笔试时提交前务必检查干净。5.3 备考方向的优先级排序如果准备时间有限我的优先级是动态规划背包、最长子序列、区间DP数据结构设计栈、队列、堆、哈希表图论并查集、BFS、DFS、Dijkstra字符串KMP、字典树可选算法思维二分、滑动窗口、双指针、前缀和机器学习理论复习资料我推荐三份吴恩达CS229课体系完整、李航《统计学习方法》讲得透、网络上关于Transformer的经典图解文章。刷题和复习理论的时间配比我大致是7:3。5.4 心态调整笔试不是终局秋招笔试题量大、竞争激烈但笔试只是整个招聘漏斗的第一层。TME的面试更看重个人项目和机器学习理解笔试发挥失常也别太放在心上。我后面复盘这场笔试时发现很多同学倒在多选题上其实都是输在“犹豫不决”而不是不会遇到不确定的选项少选稳住编程题保证AC率胜算就很大了。如果让我给明年秋招的同学一句话那就是笔试考的不是灵感是熟悉度。单调队列、背包、并查集这些模型平时见多了考场就是条件反射。我这里把三道题的思路和代码都写了但看明白和自己手写出来完全是两回事建议你把这篇文章关了之后自己开个IDE按题目描述再手写一遍。写不出来卡住的地方才是你真正需要回去补的地方。我当年就是吃了“看着会、写不对”的亏希望你不要再踩一遍。