vinqi.com

推荐算法工程师面试题及答题要点

推荐算法工程师的面试通常 3-5 轮，技术面重点考机器学习基础、推荐系统全链路认知和你项目里真实做过的事。最容易挂的不是答不出八股，而是项目深挖时讲不清自己贡献的边界，以及线上问题排查类问题暴露缺乏实战。

专业基础

讲一下推荐系统的整体架构，从用户打开 App 到看到推荐结果，中间发生了什么？

考察点：考察你对全链路的理解，是否有系统性认知而非只会调模型。

答题要点：
  1. 按「召回→粗排→精排→重排」的漏斗结构讲，说明每层的数据量级差异和延迟约束
  2. 召回层强调多路召回并存：协同过滤、向量召回、热门、运营位等，说明为什么不能只靠单路
  3. 精排层讲特征工程、模型结构（如深度排序模型）和预估目标（点击率、转化率、时长）
  4. 最后补一句重排做多样性、去重、业务规则，体现你懂工程和业务约束

别踩：只讲模型不讲系统，漏斗各层的量级和延迟要求说不出来，会被认为没接触过线上系统。

协同过滤的原理是什么？它有什么问题，怎么解决？

考察点：经典基础题，考你对传统方法的掌握和问题分析能力。

答题要点：
  1. 分 ItemCF 和 UserCF 讲清楚相似度计算方式，说明各自的适用场景
  2. 问题至少说三点：冷启动、稀疏性、热门物品主导推荐结果
  3. 对应解法：引入内容特征、矩阵分解、热度打压和长尾扶持策略
  4. 可以补充协同过滤现在多作为召回一路，而非唯一方案

别踩：只背定义不讲问题和解法；或者反过来把协同过滤贬得一文不值，显得不理解经典方法的价值。

CTR 预估和推荐排序是什么关系？为什么不能直接用点击率排序？

考察点：考察对预估目标和业务目标之间差异的理解。

答题要点：
  1. 说明排序模型本质是在预估点击率、转化率等概率，排序只是预估结果的一种应用
  2. 直接按 CTR 排序会导致标题党、低质内容霸屏，伤害长期体验
  3. 讲多目标建模思路：点击、时长、点赞、负反馈等目标如何融合
  4. 提到 E&E（探索与利用）或长期价值，体现你思考的不只是即时指标

别踩：把 CTR 预估和推荐系统划等号，或说不出「为什么线上指标涨了用户体验反而变差」这类矛盾。

AUC 是什么？线上 AB 实验指标涨了但 AUC 没变，可能是什么原因？

考察点：考察离线评估和线上效果的对应关系，这是实战经验题。

答题要点：
  1. 先准确定义 AUC：随机取一正一负样本，模型给正样本打分更高的概率
  2. 说明 AUC 是全局排序能力，线上每个用户只看到自己的一小段排序
  3. 可能原因：模型对头部用户改善明显但整体 AUC 被稀释；或收益来自召回而非排序
  4. 也可能 AB 实验本身有干扰或新奇效应，建议观察更长时间

别踩：只会背 AUC 定义，答不出离线和线上不一致的场景，会被判定缺乏实战。

项目经历深挖

挑一个你最有代表性的推荐项目，讲一下背景、你的方案和最终效果。

考察点：考察表达结构、贡献真实性和技术选型逻辑。

答题要点：
  1. 用「业务问题→技术方案→我的角色→量化结果」四段式，控制在两分钟内
  2. 量化结果要具体：指标提升幅度、实验周期、覆盖流量比例
  3. 主动说清团队分工和你的边界，哪些是你做的、哪些是协作方做的
  4. 结尾补一句踩过的坑和迭代过程，比只讲成功更有说服力

别踩：讲成流水账或把团队成果说成个人成果，后面追问细节时对不上会直接出局。

这个项目里，你的模型上线后效果不好，你是怎么排查的？

考察点：考察线上问题排查能力，区分「做过项目」和「真正负责过」。

答题要点：
  1. 先确认问题定位：是数据问题（特征穿越、样本偏差）还是模型问题
  2. 讲排查顺序：离线在线一致性检查→特征分布对比→分人群分场景下钻
  3. 给出具体案例：比如发现训练和推理的特征口径不一致导致效果衰减
  4. 最后讲修复后的验证方式，形成闭环

别踩：只说「调参、重新训练」这种泛泛答案，没有排查路径，暴露没真正处理过线上问题。

你说指标提升了 X%，这个数字怎么来的？实验是怎么设计的？

考察点：考察实验严谨性，验证项目数据是否可信。

答题要点：
  1. 讲清实验设计：分流方式、对照组设置、实验周期、样本量是否充分
  2. 说明核心指标是什么、护栏指标有哪些（比如时长涨了但留存不能跌）
  3. 主动提显著性检验和置信度，以及如何排除新奇效应
  4. 如果当时实验有瑕疵，坦诚说明，比硬撑可信得多

别踩：数字说不出实验依据，或只报好指标不提护栏指标，会被认为数据注水。

如果让你重新做这个项目，你会改进哪里？

考察点：考察反思能力和技术视野，看你是否停留在「做完了」层面。

答题要点：
  1. 准备 2-3 个真实的改进点，比如特征体系没做充分、目标定义偏短期
  2. 每个改进点讲清楚当时为什么没做（时间、数据、优先级），体现取舍意识
  3. 至少一个点要指向长期方向，比如从单点优化到全链路联动
  4. 避免把改进说成「全都推倒重来」，显得当初方案一无是处

别踩：说「没什么可改进的」显得没有思考；说太多则显得当初做得很差。

算法与工程能力

召回和排序的特征体系有什么区别？特征穿越是什么，怎么避免？

考察点：考察特征工程实战经验，这是推荐岗位的高频深挖点。

答题要点：
  1. 召回特征偏内容侧和用户长期画像，排序特征包含大量实时上下文特征
  2. 特征穿越定义：训练时用了线上不可知的信息，比如用了「用户当天总点击数」
  3. 避免方法：特征快照、按请求时间对齐、线上线下特征一致性校验
  4. 可以补充交叉特征、序列特征的处理经验

别踩：只罗列特征类型，说不出穿越的具体例子和防范手段，暴露没做过线上特征。

冷启动问题怎么处理？新用户和新物品分别说说。

考察点：考察对推荐系统经典难题的方案积累。

答题要点：
  1. 新用户：利用注册信息、设备信息做粗粒度分层，先推热门和高质量内容快速收集反馈
  2. 新物品：利用内容特征理解（类目、标签、embedding），辅以小流量探索
  3. 提到 E&E 策略：如何平衡探索新物品的代价和收益
  4. 说明冷启动的本质是信息不足，方案核心都是引入侧信息或加速反馈收集

别踩：只说「用内容特征」一句话带过，没有具体机制，显得理解停留在概念层。

线上推理延迟有要求，你的模型太重怎么办？

考察点：考察工程落地意识，推荐岗不是只训模型。

答题要点：
  1. 先分层：召回用轻量模型或向量检索，重模型放在精排，控制候选量
  2. 模型侧手段：蒸馏、剪枝、量化，说明各自适用场景
  3. 工程侧手段：特征预计算、缓存、并行化、批量推理
  4. 强调先测量再优化，找到真正的延迟瓶颈而不是盲目优化

别踩：只答「换小模型」，说不出蒸馏、缓存这类具体手段，或没有性能测量意识。

多目标建模了解吗？点击、时长、互动这些目标怎么融合？

考察点：考察对主流排序技术的掌握深度。

答题要点：
  1. 讲多任务结构：共享底层网络加多个任务头，说明参数共享的意义
  2. 融合方式分层讲：样本级融合、模型级融合（多塔输出合并）、排序级融合（公式加权）
  3. 提到任务间冲突（比如负迁移）及处理思路
  4. 如果没实际做过，坦诚说了解原理但没上线经验，别硬编细节

别踩：只会说「加权求和」四个字，追问权重怎么定、冲突怎么处理就答不上。

情景应变与业务思维

老板说推荐结果太同质化了，用户刷到的内容都差不多，你会怎么分析和解决？

考察点：考察从业务现象到技术方案的拆解能力。

答题要点：
  1. 先定义和度量：怎么量化多样性（类目分布、embedding 距离），确认问题真实存在
  2. 分析来源：是召回通道单一、还是排序目标过于偏向点击导致马太效应
  3. 方案分层：召回侧加探索通道，排序侧加多样性目标或打散规则，重排侧做硬约束
  4. 提醒要观察多样性提升对核心指标的代价，做权衡而非单点优化

别踩：直接跳到「加个打散规则」，没有先定义问题和分析根因，显得缺乏方法论。

AB 实验显示新模型点击率涨了 2%，但用户留存跌了，你上不上这个模型？

考察点：考察指标权衡和业务判断，没有标准答案，看思路。

答题要点：
  1. 先质疑数据：实验周期够不够、留存下跌是否显著、有没有新奇效应干扰
  2. 分析因果：点击涨留存跌通常意味着内容质量下降或标题党，做下钻分析验证
  3. 给出决策框架：留存是长期护栏指标，短期点击收益通常不值得牺牲
  4. 结论可以是「暂不上线，先修复质量问题」，关键是讲清权衡逻辑

别踩：不假思索说「上」或「不上」，没有验证数据和分析过程，暴露缺乏业务判断。

如果推荐效果突然掉了 20%，你会怎么排查？

考察点：考察线上稳定性意识和系统级排查能力。

答题要点：
  1. 先看时间和范围：全量掉还是部分人群、是否与某次发布或数据更新时间吻合
  2. 分层排查：数据链路（特征、样本）→模型服务（延迟、超时、降级）→上游依赖
  3. 讲一个具体案例最好：比如某特征上游表延迟导致大量默认值填充
  4. 强调监控和报警的缺失也是要复盘的点

别踩：只说「看日志、查模型」，没有分层排查路径和时间对齐意识，会被认为没值过线上班。

行为面试与反问环节

说一次你和产品或者工程同学在方案上有分歧的经历，最后怎么解决的？

考察点：考察协作方式和沟通能力，推荐岗需要大量跨职能配合。

答题要点：
  1. 选真实小分歧，别编「重大冲突」的戏剧化故事
  2. 讲清分歧本质：通常是指标口径或技术可行性上的认知差
  3. 解决方式：用数据或小流量实验验证，而不是靠职级或嗓门
  4. 结尾讲结果和你的反思，体现你尊重专业边界

别踩：把对方塑造成不讲理的一方，或最后靠领导拍板解决，显得协作能力差。

你为什么想做推荐算法，而不是纯研究或后端开发？

考察点：考察动机真实性和岗位匹配度。

答题要点：
  1. 结合真实经历讲：比如做项目时感受到「策略改动直接影响百万用户」的反馈感
  2. 说明推荐的技术特点吸引你：数据闭环快、问题定义开放、算法和工程并重
  3. 如果有从其他方向转来的经历，讲清转换的逻辑链
  4. 避免空谈「热爱机器学习」，要落到推荐这个具体方向

别踩：答案换成任何岗位都成立，说明没想清楚；或过度贬低原来的方向。

你有什么想问我们的？

考察点：考察你的关注点和思考深度，也是你判断团队的机会。

答题要点：
  1. 问业务：团队负责的场景和核心指标是什么，当前最大的挑战是什么
  2. 问技术：推荐链路哪些环节是团队自建的、迭代节奏如何
  3. 问成长：新人前三个月一般做什么、团队怎么衡量算法同学的价值
  4. 至少准备 3 个问题，别问加班和薪资这类留给 HR 的问题

别踩：说「没什么想问的」直接减分；只问福利待遇显得不关心工作本身。

面试准备清单

什么时候要做什么
面试前 3 天把自己项目按「背景-方案-我的角色-量化结果-踩坑」重写一遍，每个数字准备好实验依据，追问答不上来的地方提前补齐。
面试前 3 天过一遍推荐系统全链路知识：召回排序重排各层职责、特征穿越、冷启动、多目标、AB 实验，每个主题准备一个能讲两分钟的完整回答。
面试前 1 天查目标公司的业务：推荐什么内容、大概的产品形态，把通用答案往对方场景上靠，比如短视频和电商的排序目标差异要能说出来。
面试前 1 天准备 3 个线上问题排查的故事（效果下跌、指标矛盾、特征异常），每个按「现象→排查路径→根因→修复」结构讲。
面试当天准备纸笔，算法题和系统设计题边画边讲；每轮结束前留 5 分钟问 2-3 个准备好的反问问题。
面试当天遇到不会的问题直接说「这块我了解有限，但我的思路是……」，展示思考过程比硬编答案安全得多。

常见问题

推荐算法工程师面试一般有几轮？
通常 3-5 轮：1-2 轮技术面（基础+项目深挖）、可能有 1 轮算法编程题、1 轮交叉面或主管面、最后 HR 面。大厂可能加笔试或机器学习基础测评，小团队可能合并成 2 轮。
没有推荐系统经验，怎么准备这类面试？
重点补全链路认知（召回排序重排）和经典问题（冷启动、特征穿越、多目标），然后把自己项目里相关的部分（比如做过 CTR 预估、NLP 排序）往推荐场景迁移着讲，坦诚说明没做过线上推荐但展示迁移能力。
面试会手写代码吗？考什么难度？
大概率会。常见两类：LeetCode 中等难度的算法题（数组、哈希、动态规划为主），以及推荐场景题（如手写简化版协同过滤、TopK 问题、AUC 计算）。建议刷题同时准备场景类手写。
项目深挖环节最容易被问倒的是什么？
三个高频死角：指标提升的实验设计细节、线上效果不好时的排查过程、你和团队其他人的分工边界。这三点答含糊会让面试官怀疑项目真实性，务必提前逐条准备。

继续看这个岗位

简历怎么写 面试题与答题要点 技能要求与关键词

相关岗位

算法工程师简历NLP算法工程师简历计算机视觉算法工程师简历数据分析师简历大数据开发工程师简历数据仓库工程师简历 算法工程师面试题NLP算法工程师面试题计算机视觉算法工程师面试题数据分析师面试题 算法工程师技能要求NLP算法工程师技能要求计算机视觉算法工程师技能要求数据分析师技能要求