推荐算法一面、二面、三面面经
完整信息
本篇目录
先结算。
一面 10.26，50 分钟，过
二面 10.30，55 分钟，过
三面 11.01，45 分钟，过
10.05 HR 打电话说意向，让等正式函
一共 22 道题，一面偏项目，二面偏模型，三面偏业务和取舍。
一面
自我介绍。
讲一个你做得最深的召回项目，目标是啥，指标涨了多少。
双塔召回，用户塔和物品塔分别喂了什么特征。
用户塔里放历史行为序列，序列长度多少，怎么截断。
物品塔和用户塔的输出做内积，为什么不是 concat 过 MLP。
内积有什么表达上的限制，怎么缓解。
训练样本怎么构造，曝光未点击算负样本吗。
曝光未点击里有多少是没看见的，你怎么区分。
负采样比例多少，采样之后损失函数要不要加权。 [ 答要，权重是 1/采样率。他问为什么，我说否则预估的点击率会偏高 ]
特征里有统计类特征吗，窗口多大。
统计特征怎么防止穿越。 [ 答按天分区、只用到 T-1。他问那当天实时的呢 ]
这题后面追了三层。实时的用 Flink 算，窗口 5 分钟，写进 KV。他问训练的时候怎么拿到这个特征，我说用 T-1 的离线值补。他问那线上和训练不就对不上了。我说对，这是我们现在最大的一个问题。
再往下他问，如果非要让训练用上实时特征，怎么办。我说只能做特征回填，把线上请求的 feature 落盘，训练时 join。他问落盘延迟多少，这就是第 12 题。
实时特征怎么接，延迟多少，延迟期间用什么补。
模型上线后 AUC 涨了，线上 CTR 没涨，可能是什么原因。
二面
多目标怎么做的，CTR 和 CVR 是两个模型还是一个。
如果用两个模型，CVR 的训练样本只有点击样本，样本空间不一致怎么办。
ESMM 怎么解决这个问题的，它真的解决了还是有别的问题。 [ 答用全样本空间建模，pCTCVR = pCTR × pCVR。他说那只是一种约束，不是真的学到了 ]
他让我说具体点。我的理解是，ESMM 把 CVR 塔和 CTR 塔共享 embedding，用曝光样本的 CTCVR 做监督，CVR 只在点击样本上有梯度。所以问题没被消除，只是被约束住了。他点头，说那 CVR 塔学到的分布还是有偏。
我当时接了一句"那可以加一个 IPW 校正"。他问权重怎么估。我答不上来。
排序公式用 pCTR × pCVR × price，价格这一项会不会让模型学歪。
位置偏差怎么处理，训练时去掉位置特征，线上再加，这样做的问题在哪。
序列模型用的什么，DIN 的 attention 和普通的 target attention 差在哪。
长序列怎么处理，全量塞进去显存够吗。
冷启动 item 没有行为，怎么排。
新用户没有历史，你们给什么兜底。
三面
- 你们这套系统的 QPS 多少，P99 多少，模型多大。
- 模型从训练到上线要多久，中间卡在哪。
- 如果让你把现在这个模型换成一个 10 倍大的，你会先动哪。
- 你怎么衡量一次模型迭代的收益，离线指标和线上指标打架听谁的。
- AB 实验的样本量怎么算的，跑了几天。
- 有一个实验线上涨了 2%，但人均使用时长掉了，你怎么判断。
- 你怎么看现在的大模型做推荐，能替代现在的排序吗。
- 反问。
手撕：给 K 个已经按分数降序排列的召回列表，每个列表长度不等，要求合并去重后取 TopN，并说明复杂度。
我写的是堆，每个列表放一个游标，取最大值，用 set 去重。他问如果 TopN 只要 100，K 是 20，堆和直接归并哪个快。我说堆，O(N log K)。他说 N 是 100 的话，直接扫 20 次也差不多。这个我承认没想。
第二个手撕：写 AUC 的计算，要求处理并列分数。
我用了排序 + 秩，并列取平均秩。他问为什么不直接两重循环。我说 O(n²) 线上跑不动，他说离线算 AUC 又不看这个。
这场能过，我猜是因为第 13 题。我答的是"离线 AUC 涨、线上 CTR 不涨，大概率是训练和 serving 的特征不一致，尤其是实时特征回填的延迟"。他追问了一句"你怎么查的"，我说我把线上请求的 feature dump 下来，和训练样本 join，比了 50 个特征的分位数，发现有两个偏差超过 3 个标准差。
这是我真干过的事，所以说得很顺。其他题都是套路。
三面第 29 题我答得不好。我说大模型短期内替代不了排序，因为延迟和成本。他说"我没问替代，我问你怎么看"。我改口说可能会把召回和排序揉成一个生成式模型，但样本效率和可控性还是问题。他点了点头，没再追。
推荐岗的面试题其实都不难，难的是每道题后面那句"为什么"。你答完一个方案，他问为什么不用另一个，你答完对比，他问那你们线上是怎么验证的。
—— AIGC小白入门记
本篇目录
当前问题0139
- 01
自我介绍。
- 02
讲一个你做得最深的召回项目，目标是啥，指标涨了多少。
- 03
双塔召回，用户塔和物品塔分别喂了什么特征。
- 04
用户塔里放历史行为序列，序列长度多少，怎么截断。
- 05
物品塔和用户塔的输出做内积，为什么不是 concat 过 MLP。
- 06
内积有什么表达上的限制，怎么缓解。
- 07
训练样本怎么构造，曝光未点击算负样本吗。
- 08
曝光未点击里有多少是没看见的，你怎么区分。
- 09
负采样比例多少，采样之后损失函数要不要加权。 \[ 答要，权重是 1/采样率。他问为什么，我说否则预估的点击率会偏高 \]
- 10
特征里有统计类特征吗，窗口多大。
- 11
统计特征怎么防止穿越。 \[ 答按天分区、只用到 T-1。他问那当天实时的呢 \]
- 12
实时特征怎么接，延迟多少，延迟期间用什么补。
- 13
模型上线后 AUC 涨了，线上 CTR 没涨，可能是什么原因。
- 14
多目标怎么做的，CTR 和 CVR 是两个模型还是一个。
- 15
如果用两个模型，CVR 的训练样本只有点击样本，样本空间不一致怎么办。
- 16
ESMM 怎么解决这个问题的，它真的解决了还是有别的问题。 \[ 答用全样本空间建模，pCTCVR = pCTR × pCVR。他说那只是一种约束，不是真的学到了 \]
- 17
排序公式用 pCTR × pCVR × price，价格这一项会不会让模型学歪。
- 18
位置偏差怎么处理，训练时去掉位置特征，线上再加，这样做的问题在哪。
- 19
序列模型用的什么，DIN 的 attention 和普通的 target attention 差在哪。
- 20
长序列怎么处理，全量塞进去显存够吗。
- 21
冷启动 item 没有行为，怎么排。
- 22
新用户没有历史，你们给什么兜底。
- 23
你们这套系统的 QPS 多少，P99 多少，模型多大。
- 24
模型从训练到上线要多久，中间卡在哪。
- 25
如果让你把现在这个模型换成一个 10 倍大的，你会先动哪。
- 26
你怎么衡量一次模型迭代的收益，离线指标和线上指标打架听谁的。
- 27
AB 实验的样本量怎么算的，跑了几天。
- 28
有一个实验线上涨了 2%，但人均使用时长掉了，你怎么判断。
- 29
你怎么看现在的大模型做推荐，能替代现在的排序吗。
- 30
讲一个你做得最深的召回项目，目标是啥，指标涨了多少。
- 31
序列模型用的什么，DIN 的 attention 和普通的 target attention 差在哪。
- 32
他问训练的时候怎么拿到这个特征
- 33
如果非要让训练用上实时特征，怎么办
- 34
他问权重怎么估
- 35
他追问了一句"你怎么查的"
- 36
手撕：给 K 个已经按分数降序排列的召回列表，每个列表长度不等，要求合并去重后取 TopN，并说明复杂度。
- 37
他问如果 TopN 只要 100，K 是 20，堆和直接归并哪个快。
- 38
第二个手撕：写 AUC 的计算，要求处理并列分数。
- 39
他问为什么不直接两重循环