岗位名称：推荐算法

面试时长：1h+

自评分：7/10

是否下一轮：待通知

一、检索与排序

• 在项目中使用的 BM25 原理是什么？相比 TF-IDF 改进在哪里？公式中每一项的含义是什么？
• （追问）k1 和 b 参数分别控制什么？如果 b=0 会发生什么？
• 为什么在实际系统中要做混合检索？
• Sparse 检索和 Dense 检索的基本原理分别是什么？
• （追问）两种方式在长尾 Query 上的表现差异如何？
• Dense 检索中常见的相似度度量方式有哪些？为什么很多系统选择 Cosine 或 Inner Product？
• （追问）如果向量没有归一化，Inner Product 和 Cosine 的结果会有什么差异？
• 在你的系统中，Sparse 和 Dense 的结果是如何融合或召回合并的？权重是怎么定的？
• （追问）权重是人工调参还是通过学习得到？有没有做过 ABTest？

二、重排序与模型训练

• Reranker 在整体检索链路中解决的是什么问题？
• （追问）如果没有 Reranker，线上效果会下降在哪些指标？
• Reranker 模型的训练数据通常如何构造？正负样本从哪里来？
• （追问）负样本是随机采样还是 Hard Negative？为什么？
• 如果线上只有弱标签甚至没有人工标注，Reranker 如何进行微调或持续优化？
• （追问）是否考虑过蒸馏或自训练方式？
• Reranker 和 Cross-Encoder / Bi-Encoder 的关系是什么？各自的取舍点在哪里？
• （追问）在大规模在线系统中为什么 Cross-Encoder 不适合作为第一阶段召回？

三、Query 理解与改写

• 为什么要做 Query 改写？它在召回和排序阶段分别能带来什么收益？
• （追问）是否会引入噪声？如何控制风险？
• 常见的 Query 改写方式有哪些？规则、模型、生成式方法各自优缺点？
• 在你的项目中，Query 改写的核心做法是什么？
• （追问）有没有做过离线评估和线上对比？效果如何衡量？
• 有没有读过或参考过 Query 改写 / Query Expansion 相关论文？印象最深的是哪一篇？
• （追问）论文里的方法是否真正落地过？落地时遇到什么问题？

四、LLM 训练目标 & 优化方法

• GRPO 损失函数是什么？公式中每一部分分别起什么作用？
• （追问）相比 PPO，它在稳定性或样本效率上有什么区别？
• GRPO 相比传统 RL 或 SFT 的优势在哪里？为什么要这样设计？
• 在大模型训练过程中，Transformer 通常会更新哪些参数？哪些可能被冻结？
• （追问）LoRA 插入在哪些层？为什么？
• 从工程角度看，你是如何优化大模型训练和推理效率的？
• （追问）有没有做过算子融合或 KV Cache 优化？

五、Embedding 模型与表示学习

• 项目中使用的 Embedding 模型结构是什么？是 Encoder 还是双塔？
• （追问）为什么选择这种结构？
• 输出向量的维度是多少？维度大小如何影响检索效果和性能？
• （追问）维度翻倍，召回效果一定更好吗？
• Embedding 向量在实际使用中是如何做归一化、存储和索引的？
• （追问）使用了哪种 ANN 索引结构？为什么？

六、算法手撕

• 手撕算法：合并两个数组并去重，如何保证时间复杂度？
• （追问）如果数组本身有序，是否可以优化？
• 手撕算法：求前 K 个最小值，使用最小堆实现。
• （追问）最小堆底层用什么数据结构实现？时间复杂度是多少？
• 手撕算法：子集型回溯问题。如果输入列表中可能包含重复元素，如何避免重复解？
• （追问）排序在这里起什么作用？