🎯 推荐系统面试题精选50题¶

⚠️ 时效性说明：本章涉及前沿模型/价格/榜单等信息，可能随版本快速变化；请以论文原文、官方发布页和 API 文档为准。

适用岗位：推荐算法工程师、搜索广告算法、信息流算法 难度分布：基础(20) + 进阶(20) + 高级(10)

一、基础题（20题）¶

Q1: 推荐系统的核心架构？

召回(Recall) → 粗排(Pre-Ranking) → 精排(Ranking) → 重排(Re-Ranking)
  多路候选         轻量模型筛选       CTR/CVR预估      多样性/新鲜度/业务规则
  ~10000           ~1000              ~100              ~50展示

Q2: 协同过滤的两种方式？冷启动问题如何解决？ - UserCF：找相似用户，推荐其喜欢的物品（适合社交场景） - ItemCF：找相似物品，推荐用户喜欢物品的相似品（适合电商） - 冷启动：①基于内容推荐 ②热门推荐 ③用户画像引导 ④bandit探索

Q3: 矩阵分解(MF)的原理和损失函数？ - 原理：将用户-物品评分矩阵分解为 \(R \approx P^TQ\)，\(P \in R^{k \times m}, Q \in R^{k \times n}\) - 损失：\(L = \sum_{(u,i) \in \text{observed}} (r_{ui} - p_u^T q_i)^2 + \lambda(||p_u||^2 + ||q_i||^2)\) - 优化：ALS(交替最小二乘)或SGD - BPR：只关心排序对不对，\(L = -\sum \ln\sigma(p_u^T q_i - p_u^T q_j)\)

Q4: Wide&Deep模型的设计思想？ - Wide部分：线性模型+交叉特征 → 记忆(Memorization)已有模式 - Deep部分：DNN → 泛化(Generalization)到新模式 - 意义：开启了深度推荐模型时代，后续DeepFM、DCN等改进

Q5: DeepFM相比Wide&Deep的改进？ - 用FM层替代Wide部分，自动学习二阶特征交叉 - 无需人工特征工程（Wide&Deep的Wide部分需要手动设计交叉特征） - 共享Embedding，FM和DNN共用

Q6: 什么是Embedding？在推荐中如何使用？ - 定义：将高维稀疏特征(如user_id/item_id)映射到低维稠密空间 - 用途： - 用户/物品表示（协同过滤的核心） - 特征交叉的基础（如DeepFM） - 召回阶段的向量检索 - 训练：随推荐模型端到端训练，或预训练(如Graph Embedding)

Q7: 什么是CTR预估？常用特征有哪些？ - 定义：预测用户点击某物品的概率 - 特征： - 用户侧：ID、画像、历史行为序列 - 物品侧：ID、类别、属性、统计特征 - 上下文：时间、位置、设备、场景 - 交叉特征：用户×物品、用户×场景

Q8: 召回阶段的常见方法？ | 方法 | 原理 | 特点 | |------|------|------| | ItemCF | 行为相似度 | 简单有效 | | Swing | 用户交集去重 | 比ItemCF更精准 | | 双塔模型 | User/Item分别编码+ANN | 主流方案 | | Graph Embedding | 图上随机游走+Word2Vec | 捕捉高阶关系 | | 多兴趣召回 | MIND/ComiRec | 捕捉多样兴趣 |

Q9: 双塔模型的原理及优缺点？ - 原理：User Tower和Item Tower分别编码，内积/余弦计算相似度 - 训练：负采样(in-batch/hard negative) + 对比损失 - 优点：Item向量可离线计算，ANN检索高效 - 缺点：User和Item不交互，表达能力受限

Q10: 什么是负采样？推荐系统中如何做？ - 为什么需要：正样本(点击)远少于负样本(未点击) - 方法： - 随机负采样（最简单） - 曝光未点击作为负样本 - In-batch negatives（同batch内其他正样本的item） - Hard Negative Mining（接近但非正样本的困难负例）

Q11: 什么是多目标学习？如何处理多个优化目标？ - 场景：同时优化CTR、CVR、时长、完播率 - 方法： - 共享底层 + 多任务头（Hard Parameter Sharing） - MMoE（多门控专家网络）：多个Expert+多个Gate - PLE（渐进式分层抽取）：任务专属Expert+共享Expert - 融合：加权求和（手动/自动搜索权重）

Q12: AUC是什么？推荐系统为什么常用GAUC？ - AUC：ROC曲线下面积，衡量排序能力（正样本排在负样本前面的概率） - GAUC：分用户计算AUC再加权平均 - 原因：推荐系统关注用户内的排序（给每个用户做好个性化排序）

Q13: 特征交叉的方法演进？ - 手动：Wide&Deep中人工设计 - FM：自动二阶交叉 \(\sum_{i,j} \langle v_i, v_j \rangle x_i x_j\) - DCN：Cross Network显式高阶交叉 - AutoInt：Self-Attention做特征交叉 - FiBiNet：SENet加权+Bilinear交叉

Q14: 什么是DSSM（深度语义匹配模型）？ - 原理：Query和Doc分别经过DNN编码为向量，余弦相似度计算匹配分 - 推荐应用：User和Item分别编码（即双塔模型的前身） - 训练：正样本对+随机负样本，对比学习

Q15: 推荐系统的Bias问题有哪些？ - 位置偏差：排名靠前的物品更容易被点击 - 曝光偏差：只观察到曝光物品的反馈，非曝光物品无数据 - 流行度偏差：模型倾向推荐热门物品 - 消除方法：IPW(逆倾向加权)、因果推断、位置消偏(PAL)

Q16: 实时特征和离线特征的区别？ - 离线特征：T+1更新，如用户画像、物品统计（Hive/Spark计算） - 实时特征：秒级更新，如最近点击序列、实时CTR（Flink/Redis） - 近实时：分钟级更新（Kafka→Flink→Feature Store） - 重要性：实时特征对电商/短视频推荐至关重要

Q17: 推荐系统如何保证多样性？ - MMR(最大边际相关)：相关性和多样性的平衡 - DPP(行列式点过程)：数学上最优的多样性子集选取 - 打散规则：同类别间隔≥N个位置 - 重排序：在精排结果上做多样性重排

Q18: Embedding维度如何选择？ - 经验公式：\(d = \min(50, \lceil n^{1/4} \rceil)\)，n为类别数 - 实际：通常16/32/64/128维，视数据规模和模型容量 - 过大：信息冗余、过拟合；过小：表达能力不足

Q19: 什么是序列推荐？DIN模型的核心创新？ - 序列推荐：利用用户行为序列建模兴趣演化 - DIN(Deep Interest Network)： - 核心：对用户历史行为用Attention加权（target-aware attention） - 卖家手机→用户历史中手机相关行为权重更高 - 改进了传统"对历史行为平均池化"的粗糙方式

Q20: 推荐系统AB测试的关键要点？ - 分流方式：用户级分流（非请求级），保证一致性 - 指标体系：核心指标(CTR/CVR) + 护栏指标(留存/DAU) - 统计检验：p-value < 0.05，最小样本量计算 - 常见陷阱：辛普森悖论、新奇效应、指标异动归因

二、进阶题（20题）¶

Q21: DIN→DIEN→SIM的演进路线？ - DIN：Target Attention加权历史行为 - DIEN：GRU建模兴趣演化 + AUGRU兴趣抽取 - SIM：GSU(通用搜索单元)预筛选相关行为 + ESU(精确搜索单元) - 核心趋势：从全量行为→相关子序列→更长历史

Q22: 多兴趣召回(MIND/ComiRec)的思路？ - 动机：一个用户有多个兴趣，单一向量难以表达 - MIND：Capsule Network提取多个兴趣胶囊 - ComiRec：可控的多兴趣提取 + 兴趣聚合 - 检索：每个兴趣向量分别做ANN召回，合并去重

Q23: 图神经网络在推荐中的应用？ - 用户-物品二部图：LightGCN（简化GCN，只做聚合+归一化） - 知识图谱增强：KGAT/RippleNet利用KG辅助推荐 - 社交网络：GraphRec利用社交关系传播 - 优势：天然捕捉高阶协同信号

Q24: 大模型在推荐系统中有哪些应用？ - 特征增强：用LLM生成物品文本描述/标签 - 冷启动：LLM理解新物品语义 - 对话推荐：基于LLM的对话式推荐 - 生成式推荐：LLM直接输出推荐item ID (P5/M6-Rec) - LLM as Ranker：用LLM做精排(成本太高，更多用于离线评估)

Q25: 重排序阶段的设计要点？ - 上下文建模: 考虑列表中item之间的交互（PRM/SetRank） - 多样性: MMR/DPP保证品类多样 - 业务规则: 广告插入、强制规则、屏蔽逻辑 - A/B测试: 重排改动对整体指标影响大，需谨慎

Q26: 解释因果推断在推荐中的应用？ - 消偏：反事实推理消除位置/曝光偏差 - IPW(逆倾向加权)：用倾向得分加权样本 - 因果效应估计：估计推荐对用户行为的因果效应（而非相关性） - IPS+DR(Doubly Robust)：同时用回归和IPW，更鲁棒

Q27: 如何设计推荐系统的特征工程Pipeline？

原始数据 → 特征提取(Spark/Flink) → 特征存储(Redis/Feature Store)
→ 特征服务(在线查询) → 模型输入(特征拼接+Embedding)

Q28: 如何处理推荐系统的数据稀疏问题？ - 特征交叉: FM/DCN自动学习交叉特征 - 预训练Embedding: 图Embedding/预训练语言模型 - 知识蒸馏: 用复杂模型指导简单模型 - 跨域推荐: 利用其他domain数据 - 数据增强: 行为补全、负样本增强

Q29: MMOE和PLE的区别？ - MMoE：多个Shared Expert + 每个task一个Gate - PLE：每个task有自己的Expert + Shared Expert + 渐进式抽取 - PLE优势：减少负迁移(task之间互相干扰) - 实践：PLE在多任务场景表现更好，但参数量增大

Q30: 如何衡量推荐系统的长期价值？ - 短期指标：CTR、CVR、GMV - 长期指标：留存率、DAU、用户满意度、Life Time Value - 方法： - 长期AB实验（运行2-4周观察留存） - 多目标优化中加入留存相关指标 - 强化学习建模长期收益

Q31-Q40: [进阶系统设计题 + 手撕代码题]（篇幅所限，列出要点）

Q31: 设计一个Embedding实时更新系统 Q32: 实现一个简单的ANN(近似最近邻)检索 Q33: 设计推荐系统的AB实验平台 Q34: 如何做推荐系统的在线学习？ Q35: 对比Transformer在推荐中的应用(BST/SASRec) Q36: 推荐系统模型serving的优化方法 Q37: 如何设计一个新闻推荐系统？（注意时效性） Q38: 多场景推荐(首页/搜索/详情页)的统一建模 Q39: 推荐系统的Exploration vs Exploitation Q40: 强化学习在推荐中的应用和局限

三、高级题/系统设计题（10题）¶

Q41: 设计一个日活1亿的短视频推荐系统 - 召回(6路): ItemCF + 双塔 + 多兴趣 + 热门 + 地理 + 社交 - 粗排: 双塔+轻量MLP，从10000筛到1000 - 精排: 多任务模型(CTR+完播率+互动), DIN序列建模 - 重排: 多样性(品类/作者打散) + 新鲜度衰减 + 广告插入 - 工程: Feature Store(Feast) + 模型服务(Triton) + AB平台

Q42: 设计一个电商搜索推荐系统 - 搜索: Query理解(NER/意图识别) → 召回(文本匹配+向量检索) → 排序 - 推荐: 猜你喜欢/相关推荐/购后推荐 - 统一: 共享Embedding空间，搜索和推荐模型共用底层特征

Q43-Q50: 涵盖冷启动系统设计、跨境推荐、隐私保护推荐(联邦学习)、广告竞价排序(eCPM=bid×CTR)、知识图谱增强推荐、实时推荐流水线设计、推荐系统可解释性、对话式推荐系统

最后更新：2026年2月