第4章 面试评分表解析：面试官打分维度与针对性准备策略
面试官通常从 基础理论、项目深度、沟通表达、创新思维 四个维度对候选人打分。每个维度权重因公司/岗位而异，但普遍占比：基础理论30%、项目深度40%、沟通表达15%、创新思维15%。理解维度背后的考察点，才能制定精准准备策略。
视频解析：四维打分表现对照表
| 维度 | 核心考察点 | 高分表现 | 低分表现 |
|---|---|---|---|
| 基础理论 | 原理理解、公式推导、优缺点、适用场景 | 能白板推导关键公式，对比不同模型设计动机 | 仅背诵结论，无法解释参数计算过程 |
| 项目深度 | 业务理解、难点攻克、结果量化、可迁移性 | STAR 逻辑清晰，突出个人定位与量化收益 | 流水账式描述，“团队”而非“我”的贡献模糊 |
| 沟通表达 | 逻辑层次、术语准确、时间控制、自信度 | 3 分钟讲清核心，使用“总-分-总”结构 | 发散无重点，被追问时慌乱重复 |
| 创新思维 | 发现问题、改进方案、实验验证、新思路 | 有明确动机，提出可落地的假设并给出对比结果 | 只说“效果不好”，说不清具体改进点 |
典型面试问答卡片
🎯 问题 1：请解释 Transformer 中 Self-Attention 的计算过程，并说明为什么需要 Mask？
考察点：基础理论 - 是否真正理解 Attention 机制及实际应用中的变体。
回答框架：定义 → 公式推导（Q、K、V 点积缩放）→ Mask 的作用（padding mask / look-ahead mask）→ 举例说明。
示例回答：（约 90 字）
Self-Attention 通过 QK^T 计算注意力权重，除以 √d_k 防止梯度消失，再 softmax 加权 V。Mask 有两个作用：padding mask 忽略无效填充位，look-ahead mask 在解码器防止看到未来词。例如机器翻译中，解码当前词时只关注已生成序列，避免信息泄露。
可能追问：Multi-Head Attention 为什么能提升效果？头数通常如何设置？
避坑提醒：不要忘记说明除以 √d_k 的理由；Mask 要区分训练和推理阶段的不同。
🎯 问题 2：介绍一个你认为最有挑战性的项目，重点说你在其中解决的具体难点。
考察点：项目深度 - 能否体现个人贡献、问题复杂度与量化成果。
回答框架：STAR 法则：背景 → 任务 → 行动（突出你的部分）→ 结果（用指标说话）。
示例回答：（约 95 字）
项目：金融风控反欺诈模型。背景是征信数据稀疏，导致召回率不足 60%。我提出利用图神经网络聚合用户设备、社交等关联特征，构建异构关系图。实现后召回率提升至 82%，AUC 从 0.78 提升至 0.91。核心难点在于异构节点采样优化，我设计了在线负采样策略，训练速度提升 3 倍。
可能追问：为什么选择 GNN 而不是传统 CatBoost？图结构如何构建？在线采样具体如何处理脏数据？
避坑提醒：避免只说团队成果；量化指标要真实，并准备好被质疑的数据来源。
🎯 问题 3：你认为目前在目标检测领域，有哪些常见的改进方向？如果让你设计一个新方案会怎么做？
考察点：创新思维 - 是否对前沿有持续关注，能否独立提出合理假设和验证路径。
回答框架：现有方向（如 anchor-free、动态标签分配、多模态融合）→ 选择一个具体问题（例如小目标检测）→ 分析现有方法不足 → 提出改进思路 → 设计对比实验验证。
示例回答：（约 85 字）
小目标检测常见改进包括多尺度特征融合和增大输入分辨率。当前 Feature Pyramid 方式计算量大。我的方案：在 Backbone 中插入可变形卷积增强感受野，并设计自适应尺度选择模块，只对包含小目标的区域进行上采样特征增强。计划在 COCO 小目标 subset 上对比 mAP，预期提升 2~3 个点。
可能追问：可变形卷积的 offset 如何监督？自适应尺度模块会不会影响大目标？计算开销如何控制？
避坑提醒：避免空谈大方向；必须给出具体可执行的技术细节，否则会被认为没有实践潜力。