跳转至

🎯 19-推荐系统 · 高频面试题清单

配套 19-推荐系统/README.md。目标:不看资料能讲出链路、模型与评估。 建议配合 教学/07-推荐系统面试八股与工业流程.ipynb 刷题与手撕。

使用建议

  • [ ] 第一遍:快速扫读,划出不会的题;
  • [ ] 第二遍:每题先自己想 30 秒,再对照要点;
  • [ ] 第三遍:模拟面试,把答案讲出来(讲≠想)。

一、链路与评估题(10 题)

  • [ ] 1. 推荐系统完整链路是什么?每层候选数量级与时延预算?
  • [ ] 2. 为什么召回和精排要分开?(候选池规模 vs 模型复杂度)
  • [ ] 3. AUC 的物理意义?取值范围?0.5 意味着什么?
  • [ ] 4. 手写 AUC(秩和法)?为什么 AUC 对类别不平衡不敏感?
  • [ ] 5. GAUC 与全局 AUC 的区别?为什么 GAUC 更贴近推荐场景?
  • [ ] 6. NDCG@K 怎么算?为什么位置加权?
  • [ ] 7. HR@K / Recall@K / Precision@K 的区别与联系?
  • [ ] 8. 离线评估有哪些偏差?(曝光偏差、位置偏差、样本选择偏差)
  • [ ] 9. 在线 AB 实验与离线评估各自的优劣?怎么结合?
  • [ ] 10. 什么是"离线好线上差"?怎么排查?(分布漂移/特征口径/反事实偏差)

二、协同过滤与矩阵分解题(10 题)

  • [ ] 11. 协同过滤的思想?UserCF 与 ItemCF 的区别?
  • [ ] 12. 余弦相似度 vs 皮尔逊相关系数?什么时候用哪个?
  • [ ] 13. 相似度矩阵怎么处理共同评分缺失?(Jaccard/调整余弦)
  • [ ] 14. UserCF 预测公式?为什么要加权平均而不是直接平均?
  • [ ] 15. ItemCF 在电商/视频场景为什么常优于 UserCF?
  • [ ] 16. 矩阵分解的思想?用户/物品隐向量各代表什么?
  • [ ] 17. Funk-SVD 与 SVD 的区别?(只优化观测点 vs 全矩阵)
  • [ ] 18. 为什么加用户/物品偏差项?正则项作用?
  • [ ] 19. SGD vs ALS 各自优势?(扩展性/灵活性)
  • [ ] 20. 隐向量维度 k 怎么选?embedding 有什么用途?

三、召回题(8 题)

  • [ ] 21. 双塔(DSSM)结构?为什么适合召回?
  • [ ] 22. 双塔为什么能离线预计算物品向量、在线只算用户向量?
  • [ ] 23. 双塔的坏处(items 侧无交互特征)?怎么弥补(交叉塔/attention)?
  • [ ] 24. 负样本怎么采?随机采样 vs 曝光未点击 vs 难负样本?
  • [ ] 25. 负采样比例怎么定?采样频率要不要校准(softmax 温度)?
  • [ ] 26. 什么是向量召回?怎么衡量召回质量(Recall@K/召回覆盖率)?
  • [ ] 27. ANN 检索有哪些?(HNSW/IVF/PQ)各自取舍?
  • [ ] 28. 多路召回怎么合并去重?各路分数怎么归一化/融合?

四、CTR 与排序题(12 题)

  • [ ] 29. LR 做 CTR 的局限?(线性、需人工交叉)
  • [ ] 30. FM 的 pair 项公式?为什么能自动学二阶交叉?
  • [ ] 31. FM 梯度推导?输出维度 k 怎么选?
  • [ ] 32. FFM 与 FM 的区别?(field 维度感知,参数更多)
  • [ ] 33. GBDT+LR 为什么有效?(自动特征离散/非线性,LR 学权重)
  • [ ] 34. Wide&Deep 结构?Wide 和 Deep 各管什么?(记忆 vs 泛化)
  • [ ] 35. DeepFM 与 Wide&Deep 的区别?(Wide 换 FM,共享 embedding)
  • [ ] 36. CTR 模型演进路线?每一步解决什么问题?
  • [ ] 37. 排序特征有哪些?用户/物品/交叉/上下文/统计特征举例?
  • [ ] 38. 特征穿越(label leakage)是什么?在线特征口径为什么要一致?
  • [ ] 39. Pointwise/Pairwise/Listwise 区别?各有哪些代表模型?
  • [ ] 40. 样本不均衡怎么处理?(负采样/加权/阈值移动)

五、冷启动与多目标题(8 题)

  • [ ] 41. 用户冷启动有哪些方案?各有什么代价?
  • [ ] 42. 物品冷启动有哪些方案?
  • [ ] 43. 什么是探索-利用(EE)?ε-greedy/UCB/Thompson 分别怎么做?
  • [ ] 44. 为什么不能只优化点击?(点击好但转化差)
  • [ ] 45. ESMM 思路?P(转化|曝光) = P(点击|曝光) × P(转化|点击) 为什么能缓解选择偏差?
  • [ ] 46. MMoE 结构?门控的作用?解决什么问题(任务冲突/负迁移)?
  • [ ] 47. 多目标之间的权重怎么定?示例业务换算?
  • [ ] 48. 什么是信息茧房?怎么缓解?(打散/多样性/探索)

六、工业与工程题(10 题)

  • [ ] 49. 位置偏差怎么处理?(位置特征/position-bias 模型/曝光消融)
  • [ ] 50. 曝光偏差怎么处理?(反事实加权/Ips)
  • [ ] 51. 线上模型怎么更新?(全量重训 + 增量/在线学习)
  • [ ] 52. 特征平台离线/实时怎么协同?(T+1 特征 + 实时特征窗口)
  • [ ] 53. 推荐多样性怎么保证?(MMR/DPP/规则打散)
  • [ ] 54. 重排有哪些策略?(打散/去重/硬约束/商业规则)
  • [ ] 55. AB 实验怎么做?SRM 是什么?peeking 为什么不行?
  • [ ] 56. 大用户量/物品量下怎么优化?(降采样/分片/向量索引)
  • [ ] 57. 召回覆盖率/长尾怎么衡量与优化?
  • [ ] 58. 推荐系统的评价指标体系怎么搭?(模型→行为→业务三层)

七、案例分析题(6 题)

  • [ ] 59. 线上 CTR 突然下降怎么排查?(口径→拆解→渠道/样本/特征→假设验证)
  • [ ] 60. 一个新模型离线 AUC +0.01,要不要上线?(换评估、看业务指标、做 AB)
  • [ ] 61. 怎么评估一个推荐新功能(如"猜你喜欢"调整)?
  • [ ] 62. 冷启动用户进来后第一刷推荐什么?怎么设计?
  • [ ] 63. 视频推荐和电商推荐有什么不同?(时长 vs 转化、多样性 vs 相关性)
  • [ ] 64. 如何提升推荐结果的多样性同时不降相关性?

八、手撕题(8 题)

  • [ ] 65. 手写 AUC(秩和法)并自查边界(全正/全负)
  • [ ] 66. 手写 UserCF / ItemCF 预测
  • [ ] 67. 手写 Funk-SVD(偏差+正则+SGD)
  • [ ] 68. 手写 FM pair 项与梯度
  • [ ] 69. 手写余弦/皮尔逊相似度
  • [ ] 70. 手写双塔前向 + 负采样训练
  • [ ] 71. 手写 HR@K / NDCG@K
  • [ ] 72. 手写多路召回合并去重、贪心打散

附:90 秒背诵骨架

链路:召回(协同/双塔/热度) → 粗排(轻量) → 精排(DeepFM/MMoE) → 重排(打散/约束) → AB(评估/放量)。 评估:AUC=正样本排负样本前的概率;GAUC=用户级加权;NDCG 位置加权;离线三偏差(曝光/位置/选择)。 模型:LR(记忆)→FM(自动二阶)→GBDT+LR(自动特征)→Wide&Deep(记忆+泛化)→DeepFM(共享embedding)。 召回:双塔离线算物品向量;负采样(随机/曝光/难);ANN=HNSW/IVF/PQ。 冷启动:热度/画像/迁移/试探/EE;多目标=ESMM(乘法解选择偏差)+MMoE(门控解任务冲突)。 坑:位置偏差、曝光偏差、特征穿越、信息茧房、离线好线上差、实验污染。

教程来源:Akun-python/autumn-recruitment。 MIT 许可证全文。