每年到七八月份准备秋招的应届生就开始躁动了。很多人问我金山办公的笔试到底考什么我正好翻到了自己当年整理的金山办公2020校招大数据和机器学习算法笔试题这套题放在今天看依然是国产办公软件大厂招聘的典型风向标——它考察的不只是你会不会调参、会不会写SQL而是你能不能把计算机基础、机器学习和工程落地串起来。这篇文章我会把当年这套题里几个核心模块拆开聊包括题目背后的考点、我当时是怎么想的、以及现在回头看哪些地方值得反复琢磨。如果你正在准备大数据或者算法方向的校招这篇文章能帮你理清复习重点避开我当年踩过的坑。1. 笔试整体布局一张卷子怎么测出你的系统能力1.1 题型构成与考点分布金山办公的校招笔试和其他互联网大厂不太一样因为它既有WPS这种亿级用户量的客户端产品又有云文档、AI办公这类服务端业务所以笔试题型通常覆盖面很广。2020年这套题大致分为四个部分第一部分是计算机基础选择题大概10到15道涵盖数据结构、操作系统、网络协议偶尔带一两道Linux命令题。第二部分是机器学习与大数据基础题也是选择题加简答题比如贝叶斯公式的计算、TF-IDF的理解、MapReduce的流程、Spark的算子区别。第三部分是算法编程题一般两道左右一道偏数据结构链表、树、字符串一道偏动态规划或贪心。第四部分是开放设计题问的是如果让你设计一个WPS文档推荐系统或者说如何从海量日志中统计热搜词这类实际业务问题。我当时拿到卷子的第一反应是这根本不是在考某一个知识点而是在考我能不能用一套完整的知识体系去应对真实业务里的复杂问题。你光会写Python、会调sklearn是不够的你得知道数据从哪来、存哪里、怎么算、模型怎么上线上、线上效果怎么评估——整条链路都得有概念。1.2 三个方向的备考价值排序从我自己的经验看这套题对你复习的导向作用特别明确按性价比排序的话是这样的第一优先级是数据结构和算法。这部分的分数是最容易拿的只要LeetCode刷够200题左右题型见过的多编程题基本能稳拿。而且这部分对错很客观没有差不多这回事你写出来了就是满分写不出来就是零分。第二优先级是机器学习基础理论。这部分建议以吴恩达的机器学习课程为主线再配合周志华的《机器学习》查漏补缺。重点是把每个模型的推导搞明白不是背结论。笔试题经常给出一个具体场景问你选择什么模型、怎么处理特征这种题只背结论是答不好的。第三优先级是大数据技术栈。这部分往深了考不如算法题往浅了考又不像基础题那么好蒙最烦人的是它经常结合业务场景比如让你说说Spark和MapReduce的区别、数据倾斜怎么解决、Hive和HBase分别用在什么场景。没做过实际项目的人光看书很难答到点上。我一直觉得刷校招笔试题不只是为了过笔试它其实是一个帮你建立知识体系框架的过程。你每做一道题都应该想一想这道题对应着真实业务里的哪个环节如果我在金山办公做数据工程师或者算法工程师我每天会遇到什么样的问题带着这种思路去复习效果比单纯刷题好太多。2. 机器学习核心题解析三分类问题的破解思路2.1 基础概念辨析题别被概率绕晕机器学习部分有一类必考题就是给你一个具体的分类场景然后问你这件事属于分类问题、回归问题还是聚类问题再进一步问你应该用什么算法、用什么评估指标。这类题看起来很基础但失分率一直不低原因不是知识点难而是很多人对概念的理解停留在了背诵层面一遇到实际场景就反应不过来。我印象比较深的一道题是这样的给出用户对WPS文档的编辑行为数据比如编辑时长、修改次数、是否分享要求预测用户明天是否还会使用该文档。问你这是分类还是回归问题选什么算法最合适用什么指标评估。答案是二分分类问题因为输出是用/不用两个离散类别。适合的算法有逻辑回归、朴素贝叶斯、决策树、随机森林、XGBoost等。评估指标首选AUC其次是查准率、查全率和F1值。这里很多人会答成用线性回归预测概率这是不合适的因为在二分分类场景下线性回归的输出范围不受限制而且对异常值极度敏感。我理解这类题目的考察意图是它不希望你只会用model.fit()和model.predict()而是希望你在真正动手建模之前先想清楚问题定义对不对。你连这个问题是分类还是回归都没搞清楚就直接上模型后面一切都是白做。这也是真实业务里算法工程师最常见的低级错误。2.2 贝叶斯公式与朴素贝叶斯一道送分题的陷阱机器学习基础里朴素贝叶斯是性价比最高的考点之一。原理简单、计算量小、效果在文本分类场景下出奇的好所以校招笔试几乎每年都会出现。典型的题目是已知WPS某个文档分类器中办公文档类别下出现合同这个词的概率是0.05学习资料类别下出现合同的概率是0.01。全站文档中有40%是办公文档60%是学习资料。现在来了一个新文档里面出现了合同问它属于办公文档的概率是多少。这道题直接用贝叶斯公式就好P(办公文档|合同) P(合同|办公文档) × P(办公文档) / [P(合同|办公文档) × P(办公文档) P(合同|学习资料) × P(学习资料)]代入数值就是 0.05 × 0.4 / (0.05 × 0.4 0.01 × 0.6) 0.02 / 0.026 ≈ 0.769。很多人这道题做错不是因为贝叶斯公式不会背而是忽略了分母要算全概率只算了分子就拿来当答案。另一个常见陷阱是题目给的条件是包含合同这个词但朴素贝叶斯假设特征之间相互独立实际场景里一个文档可能包含多个词如果题目给出多个词的概率你需要把各个词的条件概率相乘然后做归一化。我在复习时就特别留意这个点考试时遇到类似题直接先写公式再代值不跳步。2.3 模型评估与过拟合一道题背后的工程思维机器学习部分的简答题里关于过拟合的题目出镜率极高。金山办公的题目是这样问的训练集准确率99.5%测试集准确率只有86%分析可能的原因并给出至少三种解决方案。这个场景几乎就是过拟合的教科书定义。我当时给的答案是模型复杂度过高把训练数据里的噪声也学进去了训练样本量不够模型没有见过足够的样本分布特征维度太高引入了大量无关特征训练集和测试集分布不一致导致模型泛化能力差。解决方案方面我当时列了五条增加训练数据量或者做数据增强使用正则化常见的L1和L2都能限制模型复杂度简化模型结构比如减少决策树深度、减少神经网络的层数或神经元数量早停法Early Stopping验证集误差开始上升时就停止训练随机失活Dropout主要用在深度神经网络里能有效防止神经元之间过强的共适应关系。这道题本身不难但我觉得它真正想考察的是你有没有工程直觉。真实业务里模型过拟合太常见了尤其是在样本量少的场景下比如一个新的文档分类任务刚上线时只有几千条标注数据你怎么保证模型在生产环境里不掉点具备这种工程思维的人会比只会调包的人更适合做业务型算法工程师。2.4 优化算法类考点必要的扩展认识除了经典模型我看见热词里有粒子群算法和模拟退火算法这两个都属于优化算法偶尔会出现在校招笔试题里作为拓展考点。粒子群算法模拟鸟群觅食行为每个解是搜索空间里的一个粒子通过个体极值和全局极值来更新速度和位置。模拟退火算法则是模拟金属退火过程以一定概率接受更差的解从而跳出局部最优。当时这套卷子的选择题里出现过一道下列哪种算法不是基于梯度的优化方法选项里有随机梯度下降、Adam、模拟退火、牛顿法正确答案是模拟退火因为它不依赖目标函数的梯度信息。这种题不算难但如果你只盯着神经网络那一套优化器没看过传统优化算法就会觉得选项很陌生。我的建议是复习时间够的话把粒子群、模拟退火、遗传算法这类元启发式算法都过一遍知道它们的基本原理和适用场景应付选择题足够了。3. 大数据与分布式基础题把听过变成会用3.1 MapReduce到Spark从原理到对比大数据这块最经典的题目就是MapReduce的流程。2019年以后Spark逐步成为主流但MapReduce的思想依然是所有分布式计算框架的基石所以笔试题通常先让你谈MapReduce然后再让你对比Spark。MapReduce的核心分为Map、Shuffle、Reduce三个阶段。Map阶段把输入数据拆分成若干分片每个分片由一个Map任务处理输出键值对Shuffle阶段把相同键的值汇聚到一起这个过程涉及分区、排序、合并和归并是MapReduce里最耗时也最容易出问题的环节Reduce阶段对每个键的值的集合执行归约函数最终输出结果。Spark和MapReduce的区别也是高频考点。最核心的区别是MapReduce的中间结果必须落盘每轮计算都要读写HDFS所以迭代计算非常慢而Spark基于内存计算通过RDD的血缘关系实现容错中间结果可以驻留在内存中迭代计算快很多。Spark还提供了丰富的算子map、flatMap、filter、reduceByKey、groupByKey等编程体验比MapReduce的Java接口友好太多。我在复习这块的时候有个很深的体会笔试不会考你具体代码怎么写得完美它考的是你对框架的理解是否本质化。你如果只是用过Spark说不清Spark为什么比MapReduce快那说明你还没理解到位。3.2 数据倾斜百考不厌的工程痛点数据倾斜是大数据领域一个老生常谈但又永远避不开的话题。金山办公这套笔试题里专门有一道简答题问到了数据倾斜。题目大致是使用Spark处理用户行为日志时某个key的数据量特别大导致某个task运行时间远长于其他task整个作业被拖慢分析原因并提出解决方案。原因层面要回答到这几个角度数据本身分布不均比如热点商品、热点文章某几个商品的PV远高于其他商品分组聚合时key的粒度太粗join时关联键有大量空值或者默认值比如用户ID为空时会集中到一个分区Spark默认分区策略是按key的hash值分区如果key分布不均匀自然就会数据倾斜。解决方案我当时归纳成五类第一增加随机前缀将热点key加上随机数打散做完局部聚合后再去掉前缀做全局聚合第二调整并行度也就是设置合理的分区数spark.sql.shuffle.partitions参数可以调节但不解决根本问题第三过滤异常key比如空值或者无意义的数据在计算前直接过滤掉第四对于join倾斜可以把倾斜的key单独拆出来广播小表或者先过滤再union第五使用Salting技术也就是给key加盐让数据在更细的粒度上重新分布。这类题答得好的关键是你要真正见过数据倾斜发生的现场。我当时在实习的时候处理过一版用户画像数据某几个热门App的行为数据比其他App大出几个量级跑一次全量任务要卡半个多小时。后来用前缀加盐加两阶段聚合解决了跑完只要三分钟。有了这种实际经验回答笔试题的时候你自然就比别人多一层说服力因为这不再是背答案而是有画面感的场景还原。3.3 数据存储与查询Hive、HBase与SQL能力大数据方向的笔试题一定会涉及你会怎么存数据和你会怎么查数据这两类问题。金山办公的题目里有一道是关于Hive和HBase的选择在什么场景下适合用Hive什么场景下适合用HBase。这道题的考点很清晰。Hive是数据仓库工具构建在Hadoop之上用类SQL语言操作大规模数据适合批量处理和复杂分析时延是分钟级的不适合实时查询HBase是分布式列存数据库支持随机读写适合实时点查比如查询某个用户的文档操作记录不适合复杂的聚合分析。我当时回答的时候加了一个关键类比Hive像是一个大仓库你把所有货都摆好然后定期做盘点和统计但不适合临时去拿某个小件HBase像是一个快递柜你用取件码随时能取到某个包裹但你不适合在快递柜里做统计总共有多少包裹、平均重量是多少这种复杂计算。这个类比帮我稳住了答题逻辑也让我在后面的面试环节解释得很清楚。SQL能力也是笔试的必考点会给你一张表让你写出查询语句。我记得有一道题是有一张WPS用户行为表字段包括user_id、doc_id、actionview/edit/share、create_time请写出统计每个用户编辑过的文档数量的SQL并按文档数降序排列。这道题就是基础SQL能力考察核心就是GROUP BY加COUNT加ORDER BY。值得注意的一点是很多人在这种基础题上反而不够细心比如忘记去重或者没有考虑一个用户重复编辑同一文档的情况。这道题按业务逻辑应该去重需要用到COUNT(DISTINCT doc_id)而不是简单的COUNT(doc_id)。3.4 非结构化数据理解结合业务场景的加分项这些年金山办公的业务重心越来越偏向AI办公云盘里的文档、图片、PDF等非结构化数据怎么被模型理解也慢慢变成了笔试题目里的一种扩展方向。有些开放题甚至会问如果给你一个WPS云盘里包含大量非结构化文档数据的场景你会怎么设计一个基于大语言模型的内容生成方案。我当时在备考时简单研究了这类问题的大方向。核心链条是先做文档解析把PDF、Word、图片里的文字抽取出来再做切片控制在语言模型的上下文窗口范围内然后做嵌入向量化存到向量数据库里用户提问时用相同的嵌入模型把问题向量化检索相关性最高的文档片段拼接到Prompt里交给大语言模型生成回答最后是反馈闭环收集用户的点赞、点踩、复制等行为定期评估生成质量并优化切片策略。2020年那会儿大语言模型还不像现在这么普及所以这类题更像是一种前瞻性设想。但如果今天再看这道题它其实就是大模型RAG的经典范式。笔试里遇到这种题不用答得太具体但你要展现出你了解这条技术链路并且能结合文档办公场景谈一些产品化思考这就是很好的加分项。4. 数据结构与算法编程题解析从经典到高频4.1 KMP算法next数组不靠背靠推算法选择里让我印象最深的是KMP算法的那道题对于模式串abacaba求其next数组。这道题我不知道在多少家公司的笔试里出现过金山办公喜欢考、字节喜欢考、腾讯也喜欢考可以说是字符串算法里的经典中的经典。KMP算法的核心是next数组next[i]表示模式串前i个字符组成的子串中最长相等前缀和后缀的长度。注意这里有个流派问题有的教材定义next数组是从0开始有的定义从-1开始做题前先看清楚题目给的定义否则容易算错。我按教材里最常见的定义来推导一下abacabai0时next[0]0。i1时子串ab最长相等前后缀长度为0next[1]0。i2时子串aba前缀a和后缀a相等长度1next[2]1。i3时子串abac前缀a和后缀c不相等更长的也不等next[3]0。i4时子串abaca前缀a和后缀a相等前缀ab和后缀ca不相等next[4]1。i5时子串abacab前缀ab和后缀ab长度2最长next[5]2。i6时子串abacaba前缀aba和后缀aba长度3最长next[6]3。所以next数组是[0, 0, 1, 0, 1, 2, 3]。我备考时的经验是不要死记next数组的计算代码而是理解最长相等前后缀这个概念自己动手推几遍。推熟练了代码自然写得出来。KMP的匹配过程本质上是在失配时利用next数组跳过已匹配的后缀部分把暴力匹配的O(m×n)降到了O(mn)。这道题每年都会出现在校招笔试里你真的需要把它理解到本能反应的程度。4.2 排序算法快排、堆排与稳定性分析排序算法是数据结构里最基础的考点但基础不代表简单笔试题往往从各种角度来考比如让你比较不同排序算法的时间复杂度、空间复杂度和稳定性或者让你手写快排和堆排。金山办公这套题里有一道选择题问下列排序算法中哪个是稳定的排序算法选项有冒泡排序、快速排序、堆排序、选择排序。答案是冒泡排序。因为冒泡排序在相邻元素相等时不会交换位置所以是稳定的快速排序在分区时关键字的交换可能跨越多个位置相等元素之间的相对顺序可能改变所以不稳定堆排序在调整堆的过程中也可能改变相等元素的相对顺序不稳定选择排序每次选择最小元素放到前面同样可能改变相等元素的相对顺序不稳定。后来我发现笔试题虽然只让你选一个答案但面试官往往会顺着问你那你说说快排最坏情况是什么怎么避免这种追问就考察你是否真的理解了算法而不只是记住了结论。快排最坏情况是每次划分都选到最小或最大元素导致分区极度不平衡时间复杂度退化为O(n²)避免方式是随机选择基准元素或者取三数取中。这些点平时看面经的时候会看到很多次但只有你自己推演过一遍才能真正记住。4.3 二分图HK算法冷门考点要不要准备热词里出现了二分图hk算法这让我有点意外因为这个算法在校招笔试里出现频率并不高。HK算法的全称是Hopcroft-Karp算法用于求解二分图最大匹配核心思路是在普通匈牙利算法的基础上引入BFS构建增广路径的分层图再用DFS一次性寻找多条不相交的增广路径把时间复杂度从匈牙利算法的O(VE)优化到O(E√V)。我当时是在看《算法导论》的时候接触到这个算法的笔试基本没碰到过但如果你面的是搜索引擎或者推荐系统的算法岗二分图匹配相关的问题是有可能出现的比如怎么给用户和商品做最优匹配、相亲平台怎么让配对数量最大这类场景题本质上就是在考察二分图最大匹配。备考建议是这类冷门考点不必投入大量时间但要知道它们的存在和基本原理做到见到认识、能说两句的程度就可以。时间应该优先花在KMP、快排、二叉树遍历、动态规划这类高频题上。4.4 手写代码题从能写到写得对算法编程题是我当时花时间最多的地方因为笔试编程题不像选择题有蒙的成分你写不出来就是零分。金山办公那两道编程题一道是二叉树相关一道是动态规划难度大约在LeetCode中等偏上一点。二叉树那道题我现在还记得是求二叉树的最大路径和就是LeetCode第124题。核心思路是递归对于每个节点计算经过该节点的最大路径和 左子树贡献值 右子树贡献值 当前节点值然后用全局变量维护最大值。递归时每个子树只能向父节点返回单边最大路径和也就是max(左子树贡献, 右子树贡献, 0) 当前节点值因为路径不能分叉。动态规划那道题我印象中是编辑距离也就是求两个字符串之间最少需要多少次增、删、改操作可以互相转换。核心是二维DPdp[i][j]表示字符串A的前i个字符和字符串B的前j个字符之间的编辑距离。状态转移方程是如果当前字符相同dp[i][j]dp[i-1][j-1]如果不同dp[i][j]1min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1])。我特别想提醒的一点是笔试时一定要在自己电脑的本地环境里把代码完整跑通后再提交不要只写个大概思路就提交。我见过不少同学思路是对的但代码细节有问题要么边界条件没处理要么数组越界要么递归栈溢出这些都会导致直接判错。笔试编程题考察的是你的代码正确性和鲁棒性不是你对思路的描述能力。LeetCode刷题时建议不要只看题解要真的动手写、写完跑测试用例、考虑极端情况这样到了笔试现场才能稳定发挥。4.5 经典算法题型的思考框架算法这块我还想分享一个通用的思考框架拿到一道题先判断题型是数组题、字符串题、链表题、树题、图题还是动态规划题然后想暴力解法的时间复杂度是多少能不能优化再想有没有经典算法模型可以套用比如排序、二分查找、双指针、滑动窗口、栈、队列、堆、哈希表、BFS/DFS、回溯、并查集、拓扑排序、单调栈、Trie树、线段树、树状数组。这套框架的核心价值是把大脑里散落的算法知识组织成一个检索系统。你见到一道题能迅速从框架里找到对应的解法思路而不是漫无目的地瞎想。我刷题刷到150题以后开始有意识地建立这个体系后面的效率提升非常明显。笔试题越来越卷单纯的题海战术已经不够了你需要有结构化的解题思维。5. 备考策略与踩坑实录从失利到上岸的复盘5.1 时间分配与复习重点建议备考校招笔试最忌讳的是平均用力。我当年犯了这样一个错误在机器学习的理论推导上花了太多时间差点把大数据的工程项目经验给忽略了。后来做模拟题复盘才发现金山办公这类公司更看重的是你解决问题的能力而不是你能不能在黑板上推一遍SVM的对偶。合理的复习时间分配我觉得应该参考这个比例数据结构与算法占40%机器学习基础占25%大数据与工程能力占20%业务场景设计与软素质占15%。算法是最大头因为笔试编程题占比高而且面试手撕代码环节也依赖这块机器学习基础主要用来过笔试选择题和简答题大数据与工程能力用在笔试里的简答题和后续面试中的项目深挖业务场景设计更偏开放需要平时多思考多积累。我在热词里看到太原师范学院大数据专业分配宿舍在哪个楼层这个让人哭笑不得的搜索词就不多评价了。我想说的是专业知识和学校硬件条件的关系没有那么大重要的是你自己愿不愿意花时间搭建一个完整的学习路线。大数据相关的学习路径建议是先学Linux基础和Java/Python再学Hadoop、Spark、Flink这些计算框架然后学Hive、HBase、Kafka这些存储和消息组件最后通过一两个完整的实战项目把整条链路串起来。5.2 我在真实笔试中踩过的坑备考笔试和真正上考场还是有很大区别的。我当年参加类似笔试的时候踩过几个坑写出来希望你们能避开。第一个坑是选择题上花时间太多尤其是拿不准的题。我第一场笔试就是这样某道关于SQL的题犹豫了三分钟还没选出来最后导致后面编程题时间不够只写完了一道的核心逻辑。后来我养成了一个习惯每道选择题严格控制在90秒以内超过时间就先在题目上标个记号选一个直觉上最可能的答案赶紧做后面的。编程题的分值通常远高于选择题不值得为了一道拿不准的选择题丢一道编程题的分。第二个坑是环境不熟。有些笔试平台用的是老旧的在线编辑器不支持自动补全也不支持本地调试。我头一次用这种平台做题代码里有个很简单的手滑拼写错误本地没环境跑在线编译报错半天看不出问题白白浪费了十几分钟。建议提前去目标公司常用的笔试平台做一两次模拟题熟悉编辑器和提交流程。第三个坑是开放设计题答得太浅。很多人遇到怎么设计一个推荐系统这种题就开始写列表收集数据、提取特征、训练模型、上线……每个步骤一句话就完了。这样答看起来全面但没有深度没有亮点。更好的做法是挑一两个核心环节深入拆解比如特征工程的细节、冷启动问题的具体方案、效果评估的指标体系然后主动给出取舍的判断。我后来答开放题的策略是一个亮点加两个中规中矩这样即使整体不够出彩也能让面试官记住你的某个深入思考。5.3 笔试之外的隐形考察点最后分享一个很多人容易忽略的点笔试很多时候不只是做卷子它本身就是一场信息收集的过程。你在答题时展现出的思考方式、对问题的切入角度、表达逻辑都会成为后续面试官手里评估你的素材。比如说开放设计题你写的我倾向于先做日志埋点然后离线跑通全链路再逐步上线上模型这段话面试官看了之后就会在面试环节追问你如果实时性要求高怎么办、在线和离线的一致性怎么解决。这时候你在笔试卷里的答案就是你的起点面试时的深入回答就是加分点。所以笔试答题时不要只追求结论正确适当展示你的思考过程和权衡取舍反而更有价值。我记得当时复习机器学习时把周志华的《机器学习》刷了两遍配合吴恩达的课程做了详细笔记又把大数据生态的各个组件都搭过一遍环境做了几个完整的小项目。那段时间很苦但现在回头看那些积累都变成了我的核心竞争力。当你真的从底层理解了这些技术笔试自然就不会怵了。我自己走完整个秋招最深的体会是校招笔试不是一个需要通过的关卡而是一次难得的自我体检——它能告诉你哪些地方学得扎实哪些地方还只是看起来懂了。把每一套笔试当成一次免费的能力评估认真复盘你的进步速度会比刷十套题还快。这套金山办公的题我到现在偶尔还会翻出来看看每次都比当年多看出一些东西来这可能就是成长最好的证明。