搜广推算法工程师面试题库大全

1. 基础架构篇：推荐系统的主流架构是什么？召回与排序的区别？¶

问题：请简述推荐系统的经典Pipeline（漏斗型架构），并说明召回层和排序层在目标、算法、特征上的核心区别。

答案要点：

架构：经典的三级架构。
召回（Candidate Generation）：从海量（百万/亿级）物品库中快速筛选出几百个候选集。核心目标是高召回率（Recall）和低延迟。
粗排（Pre-ranking）（可选）：为了缓解排序压力，使用轻量级模型对召回结果进行初步过滤。
精排（Ranking）：对候选集进行精准打分。核心目标是高准确率（Precision）和预估精度（AUC）。
重排（Re-ranking）：考虑多样性、上下文、业务规则（如去重、打散、强插）。
区别：
目标：召回侧重“广”（别漏掉用户喜欢的），排序侧重“准”（把最喜欢的排最前）。
算法：召回常用双塔（DSSM）、向量检索（FAISS）、协同过滤（CF）、Item2vec、图神经网络（GNN）等；排序常用Wide & Deep、DeepFM、MMoE（多门控混合专家模型，用于多目标）、多任务学习等。
特征：召回通常只用用户基础画像 + 物品基础画像 + 简单交互特征（轻量级）；排序可以使用全量特征（交叉特征、行为序列、上下文特征、统计特征）。

2. 召回篇：如何解决双塔模型（DSSM）在召回中的“字面匹配”局限？¶

问题：双塔模型由于用户塔和物品塔分离，无法进行特征交叉，导致模型对“字面匹配”敏感而语义理解不足。你有什么改进方案？

答案要点：

问题本质：双塔模型最后仅通过点积计算相似度，用户侧特征和物品侧特征在最终交互前是相互独立的，丢失了低阶交叉信息（如“男性”与“篮球”的关联）。
改进方案：
引入交叉层：在双塔顶部增加浅层交叉网络（如FM层、PNN层）进行有限交互，但这会牺牲一部分向量检索的在线速度。
模型结构优化：使用多塔或多兴趣提取。例如，MIND（多兴趣网络）通过胶囊网络（Capsule Network）提取用户多个兴趣向量，一个用户对应多个塔，缓解单一向量表达力不足的问题。
特征工程：在用户塔中预置交叉统计特征（如用户对“某品类”的点击率），将交叉信息提前压缩进用户塔。
训练方式改进：使用自监督学习（SimCLR风格）或对比学习增强模型的语义表征能力，让相似的物品在向量空间中更接近，而不依赖字面ID重合。
模型融合：召回阶段混合向量召回（双塔）与协同召回（如ItemCF）、倒排索引召回，利用多种方式互补。

3. 排序篇：DeepFM 与 Wide & Deep 的核心区别是什么？为什么要引入FM？¶

问题：请对比 Wide & Deep 和 DeepFM 的结构，说明 DeepFM 的优势在哪？

答案要点：

结构回顾：
Wide & Deep：Wide侧（线性模型）负责记忆（Memorization，处理共现性强的稀疏特征），Deep侧（DNN）负责泛化（Generalization）。但Wide侧仍需人工特征工程（如交叉积变换，即AND(user_installed_app=QQ, impression_app=WeChat)）。
DeepFM：用FM（因子分解机）层替代了Wide & Deep中的Wide侧。
优势：
端到端训练：DeepFM不需要人工构造交叉特征。FM层能自动学习所有特征（包括离散特征）的一阶权重和二阶隐向量交叉。
特征交叉更全面：FM能泛化到未出现过的特征组合（因为通过隐向量点积），而Wide & Deep的Wide侧无法泛化到训练样本中未出现的交叉组合。
共享Embedding：FM层和Deep层共享相同的Embedding向量，既保留了低阶特征交互，又保留了高阶非线性交互，且避免了特征工程。

4. 多目标篇：如何解决多目标排序中的跷跷板现象？¶

问题：在多目标优化（如点击率CTR、转化率CVR、收藏率、时长）中，常出现一个指标提升、另一个指标下降的“跷跷板”现象。请简述MMoE（多门控混合专家模型）或PLE（渐进式分层提取模型）的原理以及解决方案。

答案要点：

现象原因：不同任务之间存在相关性冲突（例如：点击诱导性内容可能提高CTR，但会降低后续的CVR；短视频中点击率与完播率可能负相关）。
传统模型局限：Shared-Bottom（硬共享底层参数）在任务差异大时，底层网络难以捕捉到所有任务的有效表征，导致梯度冲突。
MMoE原理：
底层有多个“专家网络”（Experts）。
每个任务有一个独立的“门控网络”（Gate），门控输出权重（Softmax）用于组合多个专家的输出。
核心思想：“软共享”，让不同任务学习如何从底层专家中选取对自己有用的特征组合，实现参数的差异化利用。
PLE（升级版）：
针对MMoE中专家被所有任务“共享”可能导致相互干扰的问题，PLE引入了多层级结构，将专家分为“任务共享专家”和“任务独享专家”，通过渐进式分离路由，进一步减少负迁移（Negative Transfer）。

5. 序列建模篇：用户行为序列建模，为什么从 Attention 发展到 Transformer (如BST) 再到超长序列 (SIM/ETA)？¶

问题：如何利用用户的历史行为序列（如点击序列）来捕捉用户的动态兴趣？如果要处理长达千级别的序列，现有的DIN（深度兴趣网络）或DIEN（深度兴趣进化网络）有什么问题？工业界如何解决百万级别的超长序列？

答案要点：

演进路线：
DIN（深度兴趣网络）：引入Attention机制，根据目标物品（Candidate Ad）对用户历史行为中的每个物品计算激活权重（局部激活），解决了用户兴趣多样化的问题。但DIN无法捕捉行为序列中的时序关系（顺序依赖）。
DIEN（深度兴趣进化网络）：引入GRU（门控循环单元）结合Attention，建模兴趣的演化过程（兴趣从“浏览”到“比较”再到“购买”的进化）。
BST（行为序列Transformer）：利用Transformer结构，通过Self-Attention捕捉序列中任意两个物品之间的交互关系，并行计算能力强，表达能力优于RNN。
超长序列问题：传统Attention（O(n)复杂度）无法处理百万级（用户历史几年）的行为序列，计算资源和延迟都无法接受。
工业界方案（SIM/ETA）：
SIM（搜索兴趣模型）：分两阶段。GSE（通用搜索单元）阶段通过“硬搜索”（根据类目或属性哈希）或“软搜索”（向量检索）从海量历史中筛选出Top-K个与当前目标物品最相关的行为；SE（精准搜索单元）阶段再对筛选出的几百个行为进行精细的Attention建模。
ETA（端到端的目标注意力）：SIM的升级版。利用SimHash（局部敏感哈希）技术，将行为序列和候选物品映射到汉明空间，通过位运算快速计算相似度，省去了GSE阶段的检索耗时，实现了端到端的超长序列建模。

6. 冷启动篇：新用户或新物品（新品）如何冷启动？¶

问题：当系统没有足够的历史交互数据时（冷启动），如何解决推荐效果差的问题？请给出至少三种不同维度的策略。

答案要点：

1. 基于内容的方法（Content-based）：
利用用户注册信息（年龄、性别、职业）或物品的元数据（标题、图片、类目、品牌）。
通过预训练模型（如BERT、ResNet）提取内容Embedding。对于新品，即使没有点击，也可以通过内容向量进行“以物推物”或向量召回。
1. 探索与利用（Exploration & Exploitation， E&E）：
Bandit算法（如汤普森采样Thompson Sampling，置信区间上界UCB）：给新物品一定的曝光机会（Exploration），根据实时反馈动态调整探索概率。对于新用户，可以设计“热门榜”+“随机探索”的流量分配策略。
1. 元学习（Meta-learning）/ 少样本学习：
训练一个元模型，利用大量老用户的“学习过程”来学习“如何学习”。对于新用户，只需少量交互，模型就能快速拟合其兴趣。
1. 流量扶持与分发策略：
保量策略：新内容上线强制分配固定曝光池（如占整体流量的5%）。
热门兜底：新用户初期推荐全局热门或地域热门内容，保证留存率，待数据积累后再切换至个性化模型。
1. 多模态冷启动：
对于电商新品，利用视觉相似度（图片颜色、款式）关联老品。对于新闻，利用标题语义关联热点。

7. 负样本篇：推荐系统中的负样本如何构造？尤其是召回阶段？¶

问题：在训练召回模型（如双塔）时，我们通常只拥有用户点击（正样本）。在千亿级的物品库中，未点击的物品绝大多数是“未曝光”而非“不感兴趣”。如何构造有效的负样本？

答案要点：

问题：如果只拿“曝光未点击”作为负样本，会导致 SSB（样本选择偏差），即模型只学会了区分曝光池内的物品，但对从未曝光过的优质物品无法区分。如果随机从全库采样负样本，负样本太“简单”，模型学不到细粒度语义。
常见策略：
全局随机负采样：从全量物品库中随机采样。通常需要负采样率调整（如每1个正样本配100个随机负样本），并配合 Q值估计（纠偏）（如logits - log(q)）进行校准。
Batch内负采样：在同一个Batch中，将其他用户的正样本作为当前用户的负样本。优点是计算效率高，负样本数量随Batch Size线性增长。
Hard Negative Mining（困难负样本挖掘）：
- 曝光未点击：最直接的Hard Negative。
- 相似但未交互：通过聚类或向量检索，找到与正样本相似（同品类、同品牌）但用户未点击的物品。
- 模型筛选：用上一版模型预测，选取分数高（说明模型觉得像正样本）但实际未交互的样本作为Hard Negative。
混合采样：通常工业界采用 “随机负样本（60%） + 曝光未点击（20%） + 困难负样本（20%）” 的比例混合，以保证模型的辨别能力和泛化能力。

8. 广告篇：在广告竞价系统中，为什么预估 pCTR 还不够？什么是 eCPM？¶

问题：请解释广告系统排序公式 eCPM = bid * pCTR 的含义。在OCPM（目标成本出价）模式下，如何解决出价与预估的平衡？

答案要点：

eCPM（千次展示期望收入）：
广告系统排序通常不以CTR（点击率）排序，而是以eCPM（期望千次展示收入）排序。
公式：eCPM = pCTR (预估点击率) * Bid (广告主出价)。
目的：最大化平台收益（GMV），同时兼顾广告主ROI（投资回报率）。高CTR但低出价的广告，可能排在低CTR但高出价的广告后面。
OCPM（目标成本出价）：
广告主表达“我愿意为一次转化付10元”，平台负责在成本波动范围内自动出价。
核心公式：实际排序分 = pCTR * pCVR (预估转化率) * 目标转化出价 (Target CPA)。
问题：平台为了花掉预算，可能会高估pCVR；为了控制成本，可能会低估。
校准（Calibration）：通常需要对pCTR和pCVR进行校准（Calibration），使预估值的期望等于真实分布的期望（如使用Isotonic Regression（保序回归）或Binning），确保出价工具计算出的成本是准确的。

9. 特征工程篇：如何处理高维稀疏的ID类特征（如用户ID、物品ID）？¶

问题：ID类特征（User ID、Item ID）维度极高（亿级），且遵循长尾分布（Head+Tail）。直接Embedding会导致参数量过大和长尾ID学习不充分。有什么优化策略？

答案要点：

问题：
参数爆炸：Embedding矩阵占据大量内存（参数量 = 类别数 * Embedding维度）。
冷启动/长尾：低频ID样本极少，Embedding向量训练不充分，效果差甚至随机。
优化策略：
Hash Trick（特征哈希）：将高维ID映射到固定大小的低维空间（通过哈希函数）。存在哈希冲突风险，但工业界常用。
动态Embedding：
- 只在训练过程中出现过的ID才创建Embedding向量。
- 使用 Frequency-based Embedding：对高频ID分配较大维度（如128维），对低频ID分配较小维度（如8维），甚至共享一个“未知”向量。
特征降维/筛选：
- 特征选择：过滤掉出现频次低于阈值的ID。
- ID聚合：对于长尾Item，退化成类目ID或品牌ID。
知识蒸馏/预训练：
- 用独立的模型（如Item2vec、图神经网络Graph Embedding）预训练出高质量的Item Embedding，作为静态特征输入排序模型，而非作为可训练的随机初始化参数。

问题：离线实验AUC（曲线下面积）提升了0.5个百分点，但上线AB测试后，核心业务指标（如点击率CTR、人均时长）没有显著提升甚至下降。请分析可能的原因。

答案要点：

1. 离线与在线特征不一致（特征穿越）：
离线训练时不小心使用了未来信息（例如在预测t时刻的点击时，使用了t+1时刻的特征）。离线指标虚高，线上无法复现。
1. 样本选择偏差：
离线训练的数据是基于旧策略筛选出来的“曝光”样本（Selection Bias）。新模型上线后，改变了流量分发，面临的数据分布与训练集不一致（Generalization Gap）。
1. 评估指标与业务指标不对齐：
AUC衡量的是排序能力（正样本排在负样本前面的概率），不衡量预估值的准确性（Calibration）。
情况：新模型AUC涨了，但pCTR普遍偏高（Over-estimate）。在广告系统（OCPM）中，pCTR偏高会导致出价变高，获取到更多低质流量，最终导致真实CTR反而下降。
1. 系统延迟与工程实现差异：
离线训练可以使用全部特征（如长达30天的统计特征）。
线上推理有延迟限制（通常<30ms），可能被迫丢弃了部分复杂特征（如长序列特征、图特征），导致模型精度下降（特征穿越/缺失）。
1. 探索-利用困境：
新模型倾向于推荐模型“确信”用户喜欢的物品（利用），减少了探索。
短期内CTR可能微涨，但长期来看用户信息茧房加重，或者新品成长受阻，导致人均时长等深层指标下降。
1. 全局影响与链路联动：
排序模型改变后，召回层的候选集分布发生变化。如果新模型偏好某类内容，导致召回头部流量过于集中，多样性下降，整体指标可能下跌。
除了双塔，还有哪些常用的召回方案？请简述其优缺点。

答案要点：

协同过滤（ItemCF/UserCF）：原理简单，可解释性强；但泛化能力弱，无法处理冷启动。
图召回（GNN，如PinSage）：利用高阶邻居信息，表达能力强；但训练复杂，在线服务延迟高。
序列召回（如SR-GNN，SASRec）：基于用户行为序列生成下一物品，适合兴趣演化场景；对长序列计算开销大。
多通道召回：结合多种策略（热门、兴趣标签、地域等），取并集，保证召回多样性和覆盖率。
如何评估召回模型的好坏？除了离线Hit Rate、Recall，还有哪些指标？

答案要点：

离线指标：Recall@K、Precision@K、Hit Rate、MRR（平均倒数排名）、NDCG（归一化折损累计增益）。
在线指标：召回贡献占比（各通道最终进入精排的比例）、最终业务指标（CTR、时长）、召回的多样性（类目覆盖度）。
效率指标：召回延迟、QPS（每秒查询率）、索引构建耗时。
向量召回中的“近似最近邻检索”（ANN）常用哪些算法？工业界如何选型？

答案要点：

常用算法：
HNSW（分层可导航小世界图）：召回率高，查询快，但内存占用大。
IVF（倒排索引）：内存可控，支持分布式，适合超大规模。
PQ（乘积量化）：压缩向量，大幅降低内存。
选型考量：数据量级、内存限制、召回率要求、QPS、是否支持实时更新。
工业界组合：多采用 IVF+PQ 或 HNSW，部分自研（如淘宝的TDM、亚马逊的ANN服务）。
如何实现“多兴趣召回”？简述MIND（多兴趣网络）的核心思想。

答案要点：

问题：单一用户向量难以表征用户多种兴趣（如一位用户同时喜欢游戏和美妆）。
MIND方案：
利用胶囊网络（Capsule Network）将用户历史行为动态路由到多个兴趣胶囊，每个胶囊代表一个兴趣向量。
在召回时，每个用户拥有多个向量，分别检索出与每个兴趣最相似的物品，合并后去重。
训练：使用标签平滑的负采样，保证多兴趣向量的区分度。
召回阶段如何做在线实时更新？用户行为实时变化，索引如何动态生效？

答案要点：

双缓冲机制：构建两份索引，一份在线服务，一份离线/近线构建；构建完成后切换。
实时流更新：对于高活用户，使用实时向量更新（如将最近N次点击的Embedding聚合后实时更新用户向量）。
物品侧：新物品通过内容向量即时注入索引；对于已存在的物品，Embedding更新周期通常为小时级或天级。

DeepFM 的 FM 部分与单独训练一个 FM 模型有什么区别？

答案要点：

DeepFM中FM与Deep共享Embedding，联合训练，使得Embedding既学习低阶交互又学习高阶非线性，避免了分别训练导致的特征表征不一致。
单独FM只能学习二阶交叉，而DeepFM可以同时学习高阶交叉，且无需人工特征工程。
xDeepFM（极深因子分解机）相比DeepFM有什么改进？

答案要点：

CIN（压缩交互网络）：显式地学习向量级的高阶特征交互（按元素级乘积），而非像DeepFM的隐式高阶交互。
能够以显式、可控的方式生成高阶交叉特征，且每一层的交互结果可解释性更强。
解决了DeepFM中DNN部分虽然能捕捉高阶交互但无法显式指定交叉阶数的问题。
在排序模型中，如何建模用户行为序列中的“时序”与“位置”信息？

答案要点：

时序信息：在输入中加入时间间隔特征（如距离当前时刻的秒数），或使用GRU/LSTM/Transformer 中的位置编码。
位置信息：
显式位置特征：将点击时的展示位置作为特征输入。
位置偏置校正：在训练时使用位置作为辅助特征，预测时置为统一值（如0）或使用Shuffle方法去除位置偏置。
什么是“用户长短期兴趣分离”？如何实现？

答案要点：

目的：用户兴趣既有长期稳定偏好（如品牌忠诚度），也有短期动态兴趣（如最近浏览）。
实现方式：
使用两个独立的编码器：长期兴趣通过用户画像、长期行为统计（如过去30天）得到；短期兴趣通过最近N次点击序列建模（如Transformer）。
最终拼接或门控融合。
代表模型：DIN + DIEN 中其实隐含了短期兴趣的进化，SIM（搜索兴趣模型）中的超长序列代表长期兴趣，短序列代表短期兴趣。
特征交叉中的“FM”与“PNN”有什么区别？

答案要点：

FM：二阶隐向量点积（内积），计算复杂度O(kn)，适合稀疏特征，表达所有二阶组合。
PNN（基于乘积的神经网络）：引入内积层或外积层，将特征Embedding两两交互后送入DNN。外积计算量大，通常用内积。PNN能捕捉更高阶（通过DNN）的交互，但参数更多。
工业界更常用FM或其变体，因其计算效率高且效果好。
多目标排序中，如何解决目标之间的“任务冲突”？除了MMoE，还有哪些方法？

答案要点：

PLE（渐进式分层提取模型）：分离共享专家与独享专家，减少负迁移。
CGC（自定义门控控制）：PLE的前身，提出任务独享专家+共享专家结构。
MTL（多任务学习）中的梯度操纵：
PCGrad（投影冲突梯度）：当一个任务的梯度与另一任务梯度方向冲突时，将其投影到另一梯度的法平面。
GradNorm：动态调整各任务的梯度尺度，使训练速度均衡。
不确定性加权（Uncertainty Weighting）：根据各任务噪声方差自动调节损失权重。

在oCPM（目标成本出价）中，如何校准pCVR（预估转化率）？

答案要点：

校准必要性：pCVR通常存在整体高估或低估，导致广告主成本波动。
常用方法：
保序回归（Isotonic Regression）：在验证集上，将预测分数分桶，计算桶内真实CVR，拟合单调函数进行映射。
Binning + 平滑：将预测值分桶，对桶内真实CVR与预测CVR进行线性缩放。
贝叶斯校准：结合先验分布进行调整。
什么是“频控”（Frequency Capping）？在广告系统中如何实现？

答案要点：

定义：限制单个用户在一定时间内看到同一广告的次数，以避免过度曝光和用户厌烦。
实现：
在召回/排序阶段，对用户已曝光过N次的广告进行降权或过滤。
使用Redis等缓存记录用户-广告的曝光次数，支持实时读写。
结合分时段频控（如一天3次，一周5次）。
广告系统中，“冷启动”广告如何获取流量？

答案要点：

流量探索：将新广告以一定比例（如5%）随机插入到符合条件的流量中。
基于内容的冷启动：利用广告的素材、文案、类目等信息，通过内容相似度匹配历史相似广告的投放人群。
多臂老虎机（MAB）：对新广告设置更高的探索系数，快速学习其转化能力。
预算优先：新广告主可能给予少量预算扶持，系统为其探索优质流量。
如何防止广告系统中的“点击欺诈”（Click Fraud）？

答案要点：

规则策略：
同一IP/设备短时间内大量点击同一广告 -> 风控拦截。
点击率（CTR）异常高（如超过阈值）的流量来源进行屏蔽。
模型识别：
训练反欺诈模型，特征包括用户历史行为、设备指纹、点击模式（如点击时间间隔、鼠标轨迹等）。
使用图神经网络识别异常聚集的团伙欺诈。
业务层：不计费或按转化结算，对可疑流量进行扣量或赔付。
在广告排序中，如何平衡“用户体验”与“商业收入”？

答案要点：

多目标优化：在排序分中加入用户体验指标（如负反馈率、停留时长）作为惩罚项。
联合优化：
公式 score = λ * eCPM + (1-λ) * 用户体验分，λ可动态调整（如用户敏感度分层）。
使用强化学习在长期收益与短期广告收入之间进行权衡。
广告位/样式优化：减少干扰性广告，增加原生广告，允许用户跳过。

如何处理连续特征（如年龄、点击率）？有哪些常用的归一化方法？

答案要点：

分桶离散化：等频分桶、等距分桶，将连续值转为ID，再Embedding，适合非线性关系。
归一化：
Z-score：适用于正态分布特征。
Min-Max：缩放到[0,1]。
Power变换（Box-Cox）：改善偏态分布。
模型自适应：如GBDT（梯度提升决策树）可以直接处理连续值，或使用神经网络中可学习的特征缩放参数。
统计特征（如过去7天点击率）在离线训练与在线推理时可能面临什么问题？如何解决？

答案要点：

特征穿越：离线训练时，如果用全量数据计算统计特征（包含未来信息），会导致过拟合，线上效果差。
解决方案：
离线特征计算时严格按时间切分，只使用历史数据（如t时刻的特征只用<t的数据）。
在线采用实时流计算，更新统计值（如Flink维护滑动窗口）。
对于长周期统计，采用增量更新，每天离线重刷，避免全量重跑。
在深度学习模型中，如何处理高基数的类别特征（如Item ID）？

答案要点：

哈希分桶：将ID哈希到固定大小的Embedding表，允许冲突。
动态Embedding：仅对出现次数超过阈值的ID分配Embedding，低频ID共享一个“”向量。
分层Embedding：先对ID进行聚类（如基于品牌、类目），聚类向量+残差向量表示。
使用预训练Embedding：如通过图神经网络（GNN）预训练物品向量，作为静态特征输入。
如何构造“交叉特征”？有哪些自动化方法？

答案要点：

手工交叉：基于业务理解，如“性别 & 类目”、“年龄 & 价格区间”。
FM/DCN（深度交叉网络）等自动交叉：
DCN（深度交叉网络）：显式学习特征交叉，每一层交叉结果为 x_{l+1} = x_0 * (W_l * x_l) + x_l + b_l。
AutoInt：使用多头自注意力自动学习特征交互。
GBDT+LR：利用GBDT生成特征组合，作为LR的输入，实现自动交叉。
样本选择偏差（SSB）在排序模型中如何缓解？

答案要点：

IPS（逆倾向分数）：对每个曝光样本根据其被选中的倾向性加权，使训练集分布更接近全量分布。
数据增强：加入随机负采样样本，模拟未曝光分布。
Two-stage模型：先用模型预测曝光概率，再在排序模型中引入曝光倾向特征。
Domain Adaptation：将曝光样本视为source domain，全量样本视为target domain，采用对抗学习对齐分布。

推荐系统在线推理的延迟通常要求多少？如何优化？

答案要点：

延迟要求：通常排序层<50ms，召回层<30ms，整体<100ms。
优化手段：
模型量化：FP16/INT8量化，减少计算量。
算子融合：将LayerNorm、ReLU等与矩阵运算融合。
特征并行：将特征分为多个分组，并行计算Embedding lookup。
使用轻量模型：召回使用双塔，排序使用剪枝后的模型。
缓存：热点用户/物品的Embedding或排序分数预计算。
什么是“特征快照”？离线训练和在线推理如何保证特征一致性？

答案要点：

特征快照：在离线训练时，将每个样本对应的所有特征（包括实时特征）按照特定时间点保存下来，避免在线特征随时间变化导致的偏差。
一致性措施：
离线使用相同的特征计算逻辑（如SQL/UDF），与在线特征生产代码保持一致。
使用特征仓库（Feature Store）统一管理和版本化特征。
在线推理时，特征生成逻辑必须与离线特征逻辑完全一致（包括窗口定义、缺失值处理等）。
推荐系统中，如何实现“实时训练”（Online Learning）？

答案要点：

实时流处理：通过Kafka收集实时曝光、点击、转化日志，使用Flink/Spark Streaming进行特征工程。
模型更新：
全量更新：每隔几小时用最新数据重训模型。
增量更新：使用SGD（随机梯度下降）对模型参数进行小批量在线更新，适合LR/FM等模型。
embedding热更新：用户/物品的Embedding通过实时流更新，模型网络参数离线更新。
挑战：特征一致性、样本延迟、版本控制。
大规模Embedding如何存储和部署？

答案要点：

存储：
PS（参数服务器）架构：将Embedding参数分布在多台机器上，支持超大规模。
KV存储：如Redis、RocksDB，支持高并发读取。
部署：
TensorFlow Serving + TFRA（推荐库）支持动态Embedding。
自研C++推理引擎，使用内存映射（mmap）加载Embedding表，避免内存爆炸。
混合存储：高频Embedding放入内存，低频放入SSD。
AB测试中，如何保证流量切分的正交性与均匀性？

答案要点：

正交性：使用Hash分层（如根据用户ID hash），不同实验层使用不同hash种子，保证各实验独立。
均匀性：确保每个实验组的用户数量、流量分布（如活跃度）基本一致。
互斥实验：对于互斥的实验（如两个排序模型同时测试），使用流量域划分，避免相互干扰。
分层+域：Google的Overlap架构，通过多层正交和互斥域实现灵活实验。

图神经网络（GNN）在推荐系统中有什么应用？

答案要点：

召回：通过GNN学习用户-物品二部图上的节点Embedding，利用高阶邻居信息增强表征（如PinSage）。
排序：将用户-物品交互图作为输入，利用GNN提取结构化特征。
社交推荐：利用用户社交关系图进行传播。
场景：视频推荐、电商好友推荐、内容关联推荐。
请简述PinSage的工作原理及其工业落地中的优化。

答案要点：

原理：
基于GraphSAGE，使用随机游走采样邻居，通过聚合函数（如mean、max pooling）更新节点Embedding。
利用负采样训练，最大化相似节点（共现）的余弦相似度。
工业优化：
MapReduce式分布式训练：支持十亿节点。
硬负样本挖掘：在随机游走中采样与正样本相似但未交互的物品。
在线推理：预计算节点Embedding，通过向量检索进行召回。
如何将知识图谱（KG）引入推荐系统？

答案要点：

辅助信息：将KG中的实体（如电影的类型、导演、演员）作为物品的侧信息，丰富物品表征。
路径表示：利用用户-物品-实体之间的连接路径，计算路径相似度（如KGCN（知识图谱卷积网络）、RippleNet）。
联合学习：同时训练推荐模型和KG嵌入，如KTUP（知识图谱与用户偏好联合学习）。
可解释性：通过KG中的路径为用户提供推荐理由（例如“因为你喜欢《盗梦空间》，而诺兰也是《星际穿越》的导演”）。
图神经网络在推荐系统中的主要挑战是什么？

答案要点：

可扩展性：十亿级节点、百亿级边的图难以在单机训练，需要分布式图存储和采样。
动态性：图结构实时变化（新用户、新交互），需要增量学习。
过平滑：多层GNN导致节点表示趋于一致，需控制层数或使用残差连接。
噪声：图中存在大量弱相关边，需设计合理的邻居采样策略。

强化学习在推荐系统中一般用于什么场景？

答案要点：

长期收益优化：不只是单次点击，而是最大化用户生命周期价值（LTV）。
探索与利用（E&E）：动态决定探索新内容的流量比例。
交互式推荐：与用户多轮对话，实时调整推荐策略。
广告出价：动态调整出价策略以控制成本。
请简述DQN（深度Q网络）在推荐中的应用。

答案要点：

状态：用户历史行为、当前会话上下文。
动作：推荐给用户的物品（或物品列表）。
奖励：点击、转化、停留时长等。
挑战：动作空间巨大（百万级物品），通常采用动作嵌入或线性分解来近似Q值。
什么是“上下文赌博机”（Contextual Bandit）？与强化学习的区别？

答案要点：

Contextual Bandit：每个时间步，根据上下文（用户特征）选择动作（物品），获得即时奖励，目标是最小化累积遗憾（Regret）。不考虑长期影响，无状态转移。
与RL区别：
RL考虑状态转移和未来奖励（MDP）。
Bandit假设动作不影响后续状态，适合推荐中的短期优化（如冷启动、探索）。
典型算法：LinUCB、Thompson Sampling。
在推荐系统中，如何将强化学习的“在线探索”与现有监督学习模型结合？

答案要点：

分层架构：
底层：监督学习模型（如CTR预估）提供精准打分。
上层：强化学习Agent根据业务目标（如长期留存）调整最终排序权重或选择探索物品。
E&E 策略：在排序阶段，将探索物品（新内容、低曝光内容）随机插入Top-K，并根据实时反馈更新探索策略。
价值网络：学习一个价值函数，评估推荐策略对长期指标的影响，作为监督模型输出的调整项。

大语言模型（LLM）在推荐系统中目前有哪些应用方向？

答案要点：

特征工程：利用LLM生成用户画像、物品标签、语义特征，提升冷启动效果。
交互式推荐：通过对话理解用户当前意图，生成个性化推荐。
排序模型增强：将LLM作为特征编码器，或利用其强大的语义理解能力进行多模态融合。
解释性：生成自然语言推荐理由，提高用户信任。
检索增强：用LLM做Query改写、语义召回。
如何将LLM应用到召回阶段？

答案要点：

语义召回：利用LLM将用户历史行为序列或查询映射为语义向量，与物品的语义向量进行相似度检索。
生成式召回：将推荐视为生成任务，LLM直接生成下一个可能感兴趣的物品ID或标题。
多模态召回：结合物品的图像、文本描述，通过多模态LLM统一表示。
挑战：LLM推理延迟高，通常用于离线生成向量或候选集。
在精排阶段，如何利用LLM提升CTR预估？

答案要点：

特征编码器：使用预训练LLM（如BERT）对物品标题、用户评论等文本进行编码，输出Embedding作为排序模型的输入。
交叉增强：将用户行为序列文本化，输入LLM进行语义理解，捕捉深层次意图。
多模态融合：LLM与ID特征、统计特征共同训练（如P5模型）。
注意：LLM参数量巨大，一般通过蒸馏或冻结大部分层来适配排序任务。
大模型推荐系统面临的主要工程挑战是什么？

答案要点：

推理延迟：LLM在线推理耗时通常在秒级，无法直接用于推荐主链路。解决方案：离线预计算、蒸馏为小模型、使用高效推理框架（如vLLM）。
成本：训练和部署成本高，需权衡收益。
数据隐私：用户行为序列用于LLM可能涉及敏感信息，需脱敏。
可解释性：LLM的黑盒特性可能增加调试难度。
什么是“推荐系统的大模型微调”？如何设计微调任务？

答案要点：

任务设计：
序列预测：将用户历史交互序列作为输入，预测下一个物品ID（作为文本生成）。
排序：输入用户和候选物品对，输出“点击/不点击”标签（分类）。
数据构造：将用户行为、物品属性格式化为自然语言模板（如“用户观看过A、B、C，请推荐下一个”）。
微调方式：
全参数微调：效果最好但资源要求高。
LoRA（低秩适应）：高效微调，适合工业部署。
评估：离线指标（Hit Rate、NDCG）与在线AB测试。
LLM推荐的“可解释性”如何实现？

答案要点：

生成式解释：微调LLM，使其在推荐物品的同时生成一句自然语言解释（例如“因为你最近频繁搜索手机，推荐这款新上市的手机”）。
特征归因：利用LLM的注意力机制，提取对推荐决策影响最大的输入词（如用户行为中的关键物品）。
知识增强：结合知识图谱，LLM生成的解释可以引用实体关系，增强可信度。

新用户只有极少行为，如何快速建立兴趣画像？

答案要点：

跨域迁移：利用用户在其它产品（如视频、新闻）的行为迁移到当前产品。
人口属性+场景：基于年龄、地域、设备型号等基础特征，匹配相似人群的兴趣分布。
主动探索：推送热门内容或多样性内容，通过实时反馈快速建模。
即时会话特征：捕捉当前会话内的点击序列，生成短期兴趣向量。
对于长尾物品（低频交互），如何提升其曝光？

答案要点：

召回侧：增加基于内容（语义/图像）的召回通道，不依赖交互频次。
排序侧：对长尾物品的预估分数进行探索性加成（如+ε），或使用Bandit策略提高其被选中的概率。
流量调控：设定长尾物品的曝光配额，强制保证一定比例。
建模时：将长尾物品的Embedding向相似头部物品靠拢（利用“邻居”信息）。
什么是“元学习”（Meta-Learning）在冷启动中的应用？

答案要点：

核心思想：学习一个初始化参数，使模型能在少量新用户样本上快速适应（即“学会如何学习”）。
具体方法：
MAML（模型无关元学习）：在大量用户的任务上训练，找到对任务变化敏感的初始化参数，新用户只需几步梯度更新即可获得良好效果。
特征生成器：利用元学习为冷启动用户生成伪Embedding，结合少量交互快速调整。

除了AUC，排序模型还有哪些离线评估指标？各有什么侧重？

答案要点：

LogLoss（交叉熵损失）：衡量预估概率的准确性（Calibration）。
GAUC（分组AUC）：按用户分组计算AUC再平均，消除用户间差异，更能反映排序效果。
NDCG（归一化折损累计增益）：考虑位置权重，适合多级相关度（如点击、收藏、购买）。
MRR（平均倒数排名）：关注第一个正样本的位置，适合搜索场景。
Recall@K / Precision@K：衡量Top-K命中率。
在线AB实验中，如何确定实验的显著性？样本量需要多大？

答案要点：

显著性检验：通常使用t检验或卡方检验，P值<0.05认为显著。
样本量估算：取决于预期提升幅度（MDE）、基准指标方差和统计功效（通常80%）。
最小样本量公式：n ≈ 16 * σ² / δ²，σ为指标标准差，δ为期望提升。
实时监控：使用序贯检验（如Sequential Probability Ratio Test）提前结束无效实验。
如何评估推荐系统的“多样性”和“新颖性”？

答案要点：

多样性：
类目覆盖度：推荐列表中不同类目的比例。
列表内平均相似度：计算列表中物品两两相似度，越低越多样。
新颖性：
物品的平均热度倒数：推荐列表中物品的流行度倒数均值，越高表示推荐越新颖。
用户未交互物品的比例。
在线指标：可以通过用户负反馈（如“不感兴趣”）、长尾物品曝光占比来衡量。
为什么有时候离线指标提升但线上指标下降？除了之前提到的原因，还有哪些？

答案要点：

新颖性/多样性受损：新模型可能更倾向于推荐热门物品，导致短期指标涨，但长期用户疲劳。
目标偏差：离线指标优化的是点击，而线上核心指标可能是时长或留存，二者不一致。
流量分布变化：新模型改变了用户对内容的感知，导致后续行为（如分享、评论）变化，离线无法体现。
冷启动恶化：新模型过度依赖ID特征，导致新物品更难获得曝光，影响生态健康。

设计一个短视频推荐系统，从数据、召回、排序、重排到评估，简要说明技术选型。

答案要点：

数据：用户行为（点赞、评论、完播、跳过）、内容特征（视频标签、作者、音频、视觉特征）。
召回：
向量召回（双塔，用完播率作为正样本）、热门召回、作者召回、多兴趣召回（MIND）。
排序：
多目标模型（MMoE/PLE）预测完播率、点赞率、关注率、负反馈率。
特征：用户序列（Transformer）、统计特征、实时上下文特征。
重排：
多样性打散（同一作者、同一类目不超过2个）、MMR（最大边际相关性）优化。
业务规则（如去重、广告插入）。
评估：离线GAUC、NDCG；在线AB测试关注人均时长、日活、留存。
你在做特征工程时，遇到过哪些坑？如何解决？

答案要点：

特征穿越：时间切分不严谨。解决：严格按时间划分数据集，特征计算使用滞后窗口。
线上特征缺失：离线使用实时特征，线上因延迟导致缺失。解决：特征平台统一管理，设置默认值，确保线上与离线逻辑一致。
高维稀疏导致过拟合：对低频特征进行截断或Embedding降维。
统计特征噪声：当样本量小时，统计值波动大。解决：使用贝叶斯平滑（如点击率平滑）。
如果现在有一个全新的推荐场景（如智能座舱车载推荐），没有历史数据，你如何从0到1搭建推荐系统？

答案要点：

冷启动阶段：
基于内容的推荐：利用车载场景的特点（如导航目的地、时间、天气）与内容标签匹配。
专家规则：预设热门内容、分类榜单。
快速收集数据：通过UI设计鼓励用户反馈（如“喜欢/不喜欢”），记录所有曝光和交互。
模型迭代：
先上线简单的协同过滤或LR，快速迭代。
积累足够数据后引入双塔召回、深度学习排序。
多模态利用：语音交互可作为特征，利用语音语义理解用户意图。
隐私与安全：车载场景对隐私要求高，需确保数据处理合规。
模型量化（Quantization）在推荐系统推理中如何应用？INT8量化对精度影响大吗？

答案要点：

应用：将模型权重和激活从FP32/FP16映射到INT8，减少显存占用和计算延迟。
方法：
训练后量化：使用校准集统计激活值范围，直接量化；可能精度下降1%~2%。
量化感知训练：在训练中模拟量化误差，微调恢复精度，通常损失很小（<0.5%）。
影响：对排序模型（如DeepFM）量化后，AUC下降通常可控；但对Embedding表量化需谨慎，稀疏特征敏感。
知识蒸馏（Knowledge Distillation）在推荐系统中如何用于模型压缩？

答案要点：

原理：用复杂的教师模型（如ensemble、大模型）指导学生模型（轻量级）学习软标签。
推荐场景：
排序蒸馏：教师模型输出logits作为软目标，学生模型学习排序分布。
召回蒸馏：用双塔教师指导学生塔，或蒸馏多兴趣向量。
优势：学生模型可大幅压缩（参数量减少10倍以上），且离线指标接近教师模型。
变体：互学习（两个学生互相学习）、自蒸馏（早期模型指导后期）。
什么是“模型剪枝”（Pruning）？在推荐系统中如何有效剪枝？

答案要点：

类型：
权重剪枝：移除绝对值小的权重，生成稀疏矩阵，需硬件支持（如GPU稀疏计算）。
神经元剪枝：删除对整个网络贡献小的神经元或通道。
Embedding剪枝：对低频ID的Embedding维度降维或完全移除。
推荐系统实践：
结构化剪枝：对DeepFM中的DNN层进行通道剪枝，保持网络结构规则。
Hash Embedding：将大Embedding表压缩为固定大小，自然实现剪枝效果。
迭代：通常采用“训练-剪枝-微调”循环。
在资源受限的端侧推荐（如手机、IoT设备）中，有哪些模型部署方案？

答案要点：

模型小型化：使用FM、LR等简单模型，或轻量级网络（如MobileNet风格）。
特征简化：只使用轻量特征（如ID类特征），去除复杂序列建模。
离线预计算：热门物品的Embedding和排序分数预先计算好，端侧只做查表。
端云协同：云端训练大模型，端侧运行轻量模型，云端定期更新端侧模型参数。
框架支持：TensorFlow Lite、Core ML、MNN等。

推荐系统中为什么需要因果推断？举例说明

答案要点：

相关性≠因果性：用户点击某物品可能因为曝光位置好（位置偏置），而非真正喜欢。
场景：
消除偏置：如位置偏置、选择偏置。
反事实推理：如果用户没看到该物品，会不会点击？
** uplift建模**：衡量推荐干预（如推送）带来的增量效果，而非自然点击。
什么是“倾向性得分”（Propensity Score）？如何用于去偏？

答案要点：

定义：给定用户和上下文，物品被曝光的概率。
应用：
IPS（逆倾向得分加权）：每个样本的损失按1/p加权，使训练集分布近似于无偏分布。
双重稳健估计：结合倾向得分和结果模型，只要其一正确，估计就是无偏的。
挑战：倾向得分本身需要估计（可用另一模型预测曝光概率），估计误差会影响去偏效果。
如何消除推荐系统中的“位置偏置”（Position Bias）？

答案要点：

Shuffle方法：在AB测试中随机打乱列表位置，收集无偏数据，但会影响用户体验。
位置特征法：在排序模型中加入位置特征（如位置ID），训练时使用，预测时固定为统一位置（如1）。
IPS方法：估计每个位置的倾向得分，训练时按逆倾向加权。
PAL（位置感知学习）：联合学习点击模型和位置偏置模型。
什么是“uplift建模”？在营销和推荐中有什么作用？

答案要点：

定义：预测某个干预（如发放优惠券、推荐某商品）带来的增量效果，即uplift = P(转化|干预) - P(转化|未干预)。
方法：
双模型：分别建模干预组和对照组，差值即为uplift。
元学习器：如S-Learner、T-Learner、X-Learner。
直接uplift模型：如Uplift Tree、Causal Forest。
应用：精准营销（只对真正受干预影响的用户投放广告）、个性化推荐（判断推荐某物品是否真正提升用户满意度）。

在用户行为序列建模中，如何处理“多类型行为”（如点击、收藏、购买、分享）？

答案要点：

多通道融合：将不同类型的行为序列分别编码，再通过注意力或门控融合。
行为类型Embedding：每个行为除了物品ID，还加入行为类型ID Embedding，拼接或相加后输入序列模型。
层次化建模：先对同类型行为建模，再跨类型交互。
考虑行为权重：不同行为赋予不同权重（如购买权重高）。
Transformer在序列推荐中的局限性是什么？如何改进？

答案要点：

局限性：
复杂度：自注意力复杂度O(L²)，L为序列长度，长序列无法处理。
位置编码：绝对位置编码可能不适用于变长序列。
缺乏时间间隔建模：忽略了行为间的时间间隔信息。
改进：
稀疏注意力（如Longformer、Reformer）降低复杂度。
相对位置编码（如Transformer-XL）捕捉相对顺序。
时间间隔嵌入：在输入中加入时间差Embedding。
如何将“时间间隔”信息融入序列模型？请列举两种方法

答案要点：

时间间隔特征作为输入：将相邻行为的时间差（如秒数）离散化或连续化，与物品Embedding拼接后输入序列模型。
注意力机制中的时间衰减：计算注意力权重时，乘以时间衰减因子（如exp(-Δt/τ)），使近期行为权重更大。
时间感知位置编码：在位置编码中加入时间戳信息。
序列推荐中如何解决“噪声行为”问题（如误点击）？

答案要点：

行为过滤：剔除短时长、快速跳出的点击。
注意力权重剪裁：学习到的注意力权重低于阈值的行为被忽略。
行为纠偏：通过对比学习区分正常点击和误点（如CL4SRec）。
多任务学习：同时预测点击和后续转化，利用转化信号反推点击的质量。

自动特征工程（AutoFE）在推荐系统中如何实现？

答案要点：

搜索方法：基于强化学习或进化算法，搜索特征交叉组合。
生成式方法：利用预训练模型（如LLM）自动生成候选特征。
常用工具：
FeatureTools（表格数据）
AutoCross（阿里，基于beam search）
工业实践：通常先由专家筛选一批基础特征，再用AutoFE做扩展，通过AUC增益筛选有效特征。
什么是“神经网络架构搜索”（NAS）？在推荐系统中有应用吗？

答案要点：

NAS：自动搜索最优网络结构（层数、连接方式、激活函数等）。
推荐应用：
搜索适合CTR预估的模型结构，如AutoGroup、AutoInt的自动结构学习。
针对不同场景（如小样本、实时性要求）自动适配结构。
挑战：搜索空间大，计算成本高；通常采用可微分NAS（如DARTS）或基于采样的方法。
超参数调优在推荐系统中常用哪些方法？

答案要点：

网格搜索/随机搜索：基础方法，但效率低。
贝叶斯优化：基于高斯过程，用较少的迭代找到较优参数。
多保真度优化（如Hyperband）：早期淘汰表现差的配置，节省资源。
自动化平台：如Ray Tune、Optuna、Kubeflow。

在多模态推荐（如图文视频）中，如何融合不同模态的信息？

答案要点：

早期融合：将各模态特征拼接后输入模型。
晚期融合：各模态独立学习Embedding，最后加权融合。
交互式融合：使用注意力机制（如跨模态注意力）让各模态特征相互增强。
预训练模型：使用多模态预训练模型（如CLIP、VideoCLIP）提取统一表征。
如何利用图像特征提升电商推荐效果？

答案要点：

视觉相似度召回：利用图像Embedding进行向量召回，补充ID召回的不足。
多模态排序：将CNN提取的图像特征作为物品侧特征，与文本、ID特征融合。
视觉注意力：用户点击历史中的图片特征可用来预测对视觉风格的偏好。
冷启动：新商品只有图像时，可基于视觉相似推荐。
跨模态检索（如“用图搜商品”）在推荐系统中如何实现？

答案要点：

双塔模型：图像塔和物品塔共享嵌入空间，通过对比学习训练，使相关图文对距离近。
在线服务：用户上传图片，提取图像Embedding，在向量库中检索相似物品。
难点：模态差异大，需要精心设计的损失函数（如InfoNCE）和多模态训练数据。
视频推荐中，如何利用音频、视觉、文本多模态信息？

答案要点：

特征提取：
视觉：抽取关键帧，用CNN或ViT提取特征。
音频：提取MFCC或使用音频预训练模型。
文本：标题、字幕用BERT编码。
融合：多模态特征拼接后，通过Transformer进行交互，或使用跨模态注意力融合。
应用：提升推荐准确率，尤其在冷启动、长尾视频中效果明显。

什么是“近线”（Nearline）学习？与在线学习的区别？

答案要点：

近线学习：以分钟级或秒级频率更新模型，介于离线（小时/天）和在线（实时）之间。
实现：通过流式计算（Flink）收集最近几分钟的数据，触发模型增量训练。
区别：
在线学习：每条样本到达后立即更新模型（如在线SGD），对系统要求极高，易受噪声影响。
近线学习：微批更新，兼顾实时性和稳定性。
如何实现“增量学习”（Incremental Learning）而不遗忘旧知识？

答案要点：

弹性权重巩固（EWC）：在损失函数中加入正则项，保护重要参数不被新数据大幅改变。
重放机制：保存部分旧样本，与新样本混合训练。
动态架构：为新任务增加新的神经元，保留旧网络（如Progressive Net）。
推荐场景：用户兴趣漂移时，需要增量学习，避免灾难性遗忘。
推荐系统如何处理“概念漂移”（Concept Drift）？

答案要点：

监测：监控模型预测分布与真实分布差异（如PSI），若漂移显著则触发重新训练。
应对：
定期全量重训（如每天）。
增量学习快速适应新分布。
在线学习连续更新。
场景：新闻推荐中热点事件变化快，需快速捕捉新兴趣。

请简要介绍“SENet”在推荐系统中的应用（如SENet双塔）

答案要点：

SENet：Squeeze-and-Excitation Network，原用于视觉，通过显式建模通道间依赖来重标定特征。
推荐应用：
对用户或物品的多个特征域进行动态权重调整，抑制无关特征，增强有效特征。
SENet双塔：在双塔中引入SENet模块，使模型更关注重要特征域，提升召回效果。
效果：在CTR预估和召回中均有明显提升。
什么是“生成式推荐”（Generative Recommendation）？与判别式推荐的区别？

答案要点：

生成式推荐：将推荐视为生成任务，如直接生成用户下一交互物品的ID或文本描述。
方法：
基于LLM：用自回归方式生成推荐序列。
基于扩散模型：从噪声生成用户兴趣表示。
区别：
判别式：学习P(y|x)，分类物品是否被点击。
生成式：学习P(x,y)或P(x|y)，可生成新物品、提供解释，且可处理冷启动。
挑战：计算量大，可控性差。
请解释“Contrastive Learning”（对比学习）在推荐系统中的应用。

答案要点：

原理：拉近正样本对（如用户与其点击物品），推远负样本对，学习更好的表征。
推荐应用：
用户/物品表征：在双塔训练中引入对比损失，增强向量区分度。
序列推荐：对用户序列做数据增强（如随机mask、裁剪），用对比学习使原序列与增强序列表征一致（如CL4SRec）。
多模态：对齐不同模态表征。
优势：缓解数据稀疏，提升泛化能力。
什么是“图对比学习”（Graph Contrastive Learning）？在图推荐中如何使用？

答案要点：

定义：对图结构进行数据增强（如节点dropout、边扰动），最大化原图和增强图的节点表征一致性。
推荐应用：
SGL（简单图对比学习）：在用户-物品交互图上进行随机游走采样增强，对比学习提高节点Embedding质量。
缓解稀疏性：通过自监督信号补充监督信号，提升长尾用户/物品效果。
优势：不依赖负样本，避免对比学习中负采样偏差。

你在项目中遇到的最大技术挑战是什么？如何解决的？

答案要点：

回答要结构化：背景 → 问题 → 尝试 → 最终方案 → 成果。
示例：
问题：长序列建模延迟高。
方案：使用SIM（搜索兴趣模型）+ 硬搜索筛选Top-100行为，再经过Attention。
成果：序列长度从1000降至100，延迟下降80%，AUC提升1%。
如果线上CTR突然暴跌，你会如何排查？

答案要点：

分层排查：
数据层：是否有数据源故障、特征缺失？
模型层：模型服务是否异常？模型版本是否被错误覆盖？
召回层：召回通道是否失效？是否出现空结果？
外部因素：流量来源变化、节假日、竞品活动等。
快速验证：回滚模型、对比旧版本、观察分维度指标（如用户分群、物品类目）。
你如何看待大模型对推荐系统的影响？未来趋势是什么？

答案要点：

正面影响：
提升语义理解，改善冷启动和跨域推荐。
提供可解释性和交互式推荐。
挑战：
推理延迟、成本高。
需要解决隐私、幻觉问题。
趋势：
大小模型协同（云端大模型+端侧小模型）。
多模态大模型统一表征。
生成式推荐与判别式推荐结合。
如果让你设计下一代推荐系统架构，你会考虑哪些关键点？

答案要点：

实时性：秒级更新用户兴趣，流批一体。
统一性：召回、排序、重排一体化训练（如全链路建模）。
多模态融合：利用大模型统一处理文本、图像、视频。
可解释性：提供透明、可控的推荐理由。
用户控制：允许用户自定义偏好和隐私设置。
绿色计算：通过量化、剪枝、知识蒸馏降低能耗。

搜广推算法工程师 面试题库大全

1. 基础架构篇：推荐系统的主流架构是什么？召回与排序的区别？¶

2. 召回篇：如何解决双塔模型（DSSM）在召回中的“字面匹配”局限？¶

3. 排序篇：DeepFM 与 Wide & Deep 的核心区别是什么？为什么要引入FM？¶

4. 多目标篇：如何解决多目标排序中的跷跷板现象？¶

5. 序列建模篇：用户行为序列建模，为什么从 Attention 发展到 Transformer (如BST) 再到 超长序列 (SIM/ETA)？¶

6. 冷启动篇：新用户或新物品（新品）如何冷启动？¶

7. 负样本篇：推荐系统中的负样本如何构造？尤其是召回阶段？¶

8. 广告篇：在广告竞价系统中，为什么预估 pCTR 还不够？什么是 eCPM？¶

9. 特征工程篇：如何处理高维稀疏的ID类特征（如用户ID、物品ID）？¶

搜广推算法工程师面试题库大全

5. 序列建模篇：用户行为序列建模，为什么从 Attention 发展到 Transformer (如BST) 再到超长序列 (SIM/ETA)？¶