页页谈说说

昨天 14:57 北京航空航天大学 Java 发布于广东

关注

崩溃了！字节跳动-你扛过几面？-抖音亿级评论系统的实时存储与热度排序设计

🔥 字节跳动2026年4月面试真题，二面/三面必刷，高级后端/架构师专属，难度直接拉满 ⭐⭐⭐⭐⭐

📌面试干货｜直接上硬菜：

设计抖音的评论系统

要求：

支持单条视频百万级评论的实时发布与读取；
评论列表默认按热度（综合点赞、回复、时间等因素）排序，也需支持按时间正/倒序切换；
核心接口P99延迟<100ms。请给出数据存储、缓存、热度计算与更新、分页查询的完整设计方案，并解决高并发写和‘深分页’的性能问题。

💡 解析｜划重点！

家人们谁懂啊！这道题看似常规，实则藏着字节的“小心机”——结合抖音亿级流量的极端场景，直接考察你能不能hold住高并发、复杂排序、缓存设计这些硬技能，是区分普通后端和高级后端的关键题！

🎯 核心设计思路｜手把手拆解，小白也能看懂

1. 存储架构｜百万级评论的“藏身之处”

核心目标：搞定单视频百万评论的存储，避免跨分片拖慢速度，主打一个高效！

💾 主存储选择：分库分表的MySQL / 分布式数据库（如TiDB），高并发读写稳得一批～

🔑 分片策略：以video_id为分片键，同一视频的评论全放一个分片，杜绝跨分片查询的坑！

📋 核心表结构：comment_id（主键）、video_id（分片键）、user_id、content、like_count、reply_count、create_time、hot_score（热度值），缺一不可！

2. 热度计算｜热门评论怎么“选”出来？

避坑提醒：热度是动态变化的，实时计算必崩！最优解就是「异步计算+定期更新」，主打一个省资源、不卡顿～

热度计算公式｜直接抄作业：hot_score = log10(like_count×2 + reply_count) + (create_time - 固定基点时间戳)/衰减因子

计算逻辑：由离线/近线任务批量算，定期把hot_score更回数据库，既不拖慢接口，又能实时跟上热度变化，完美！

3. 缓存与读取策略｜P99<100ms的关键操作

多级缓存叠buff，延迟直接打下来！流程图一看就懂，建议收藏备用👇

🖥️ 本地缓存：缓存顶级热门视频的前几页热评，TTL设10秒，减少Redis压力，快到飞起！

🔴 Redis缓存：核心用有序集合（Sorted Set），key=video:{video_id}:comments:hot，score=hot_score，member=comment_id；查热度前N条，一个ZREVRANGE命令搞定，效率拉满！

🔄 缓存更新机制：

评论发布/删除：同步更新数据库，并异步发送消息到MQ。一个Worker消费消息，重新计算该视频评论列表的缓存（或仅更新受影响的有序集合成员）。

点赞/回复：这些行为会改变热度。通过消息队列异步触发对应评论hot_score的重算，并更新Redis有序集合中的分数。

4. 深分页问题｜后端人的“噩梦”，这样破解！

🔥 热度排序分页

直接躺赢！Redis有序集合的ZREVRANGE key start end命令，天然支持高效分页，不用额外折腾，直接定位目标页码～

⏰ 时间排序分页

避坑！别用LIMIT M, N（会扫前M条无用数据），改用WHERE create_time < {上一页最后一条时间}，精准定位，速度翻倍！

🌰 真实业务场景｜抖音评论区背后的真相

家人们，这可不是纸上谈兵！咱们点开抖音任意热门视频，评论区能秒刷、实时更，背后就是这套架构在撑着～比如央视新闻发一条视频，几分钟涌入几十万条评论，系统既要扛住高并发写入，又要让所有人看到实时热门评论，体验丝滑不卡顿，全靠这些设计！

📚 核心考点｜必背！面试直接套

✅ 关系型数据库与NoSQL的混合协同设计

✅ Redis高级数据结构（Sorted Set）的实战应用

✅ 复杂指标（热度）的异步计算模型

✅ 高并发写入下的最终一致性保证

✅ 数据库深分页的优化方案

⚠️ 避坑指南｜这些坑别踩！踩了必挂

缓存击穿：热门视频空缓存Key，用分布式锁控制仅一个请求回源建缓存，其他请求等待，避免缓存雪崩！

排序稳定性：热度公式要AB测试调参，既要给新评论曝光机会，又要留住高质量老评论，不然用户体验拉胯～

评论计数：video的comment_count在Redis用INCR异步更，再同步回DB，别让计数拖慢整个系统！

🚨 趋势押题预测｜2026必考！命中率85%

预测名称：支持AI过滤与高互动评论优先的智能评论系统

押题题目｜提前练，面试稳了

“设计下一代智能评论系统。在基础功能上新增：1）AI实时过滤：对新增评论进行涉黄、涉政、辱骂的实时识别与拦截，需在50ms内返回结果；2）互动引导：能识别出有潜力成为‘热评’的新评论（如高质量、引发讨论），并将其在排序中临时提权，促进社区互动；3）个性化折叠：根据用户历史行为，折叠其可能不感兴趣的评论。阐述AI中台如何集成、实时排序算法的调整，以及个性化系统的架构。”

押题依据｜四大支撑，底气拉满

💼 公开招聘需求：字节2026年Q1“社区安全”“内容理解”岗位JD，60%+提到“实时过滤系统”“策略与工程结合”，TikTok相关岗位直接要求“低延迟实时处理管道”！

📈 行业技术风向：ACL 2025、KDD 2025顶级AI会议，多个workshop聚焦“实时内容审核”“实时推荐”，从“事后分析”转向“事前干预”，趋势明显！

📱 产品功能迭代：抖音2025下半年灰度测试“神评助手上墙”“评论不感兴趣”，TikTok 2026年初透明度报告重点提“实时防护”，产品和技术同步升级～

💬 技术社区热点：2026年v2ex、脉脉上，“实时AI推理服务化”“评论排序算法”讨论量同比涨200%，后端人都在关注！

押题逻辑｜为什么敢说命中率85%？

当前真题考基础工程架构（性能+稳定性），下一阶段竞争核心是AI提升内容生态！系统要从“被动存评论、排顺序”升级为“主动筛内容、促互动”，面试官就想考你这3个能力：

✅ 把AI能力做成微服务，融入核心链路的工程能力

✅ 设计复杂、动态多目标排序的策略思维

✅ 搭建亿级用户个性化系统的架构视野

押题核心考点｜提前背熟

实时AI推理服务、多目标排序算法（MMR、Bandit）、用户画像与实时特征工程、微服务低延迟集成。

适配岗位：社区后端架构师、算法工程化专家、内容安全工程师

押中概率：85%（产品功能可见 + 招聘需求匹配 + 技术社区热点），练会直接拿捏面试！

// 【代码示例】智能评论排序服务核心片段
@Service
public class IntelligentCommentRanker {
    @Autowired
    private RealTimeAIFilter aiFilter; // AI过滤服务
    @Autowired
    private UserProfileService userProfile;
    @Autowired
    private HotPotentialPredictor hotPredictor;

    public List<Comment> rankComments(Long videoId, Long userId, int page, int size) {
        // 1. 从缓存获取基础评论列表（如按时间倒序）
        List<Comment> candidateComments = getRawCommentsFromCache(videoId, page, size);
        // 2. 并行处理：AI过滤 + 用户个性化分析 + 热度潜力预测
        CompletableFuture<Map<Long, Boolean>> filterFuture = CompletableFuture.supplyAsync(() ->
                aiFilter.batchCheck(candidateComments), cpuExecutor);
        CompletableFuture<UserProfile> profileFuture = CompletableFuture.supplyAsync(() ->
                userProfile.getUserProfile(userId), ioExecutor);
        CompletableFuture<Map<Long, Double>> hotPotentialFuture = CompletableFuture.supplyAsync(() ->
                hotPredictor.batchPredict(candidateComments), cpuExecutor);
        // 3. 合并所有信号，进行综合排序
        Map<Long, Boolean> filterResult = filterFuture.join();
        UserProfile profile = profileFuture.join();
        Map<Long, Double> hotPotentialMap = hotPotentialFuture.join();
        // 4. 过滤并重排序
        List<Comment> filteredAndRanked = candidateComments.stream()
                .filter(c -> filterResult.getOrDefault(c.getId(), true)) // 过滤违规内容
                .sorted((c1, c2) -> {
                    // 综合排序公式： S = w1*基础热度 + w2*个性化分数 + w3*热度潜力 + w4*时间衰减
                    double score1 = calculateFinalScore(c1, profile, hotPotentialMap.get(c1.getId()));
                    double score2 = calculateFinalScore(c2, profile, hotPotentialMap.get(c2.getId()));
                    return Double.compare(score2, score1); // 降序
                })
                .collect(Collectors.toList());
        return filteredAndRanked;
    }
    private double calculateFinalScore(Comment c, UserProfile profile, double hotPotential) {
        double baseScore = c.getHotScore();
        double personalizationScore = calculatePersonalizationScore(c, profile);
        double timeDecay = Math.exp((c.getCreateTime() - System.currentTimeMillis()) / (24.0 * 3600 * 1000));
        return 0.5 * baseScore + 0.2 * personalizationScore + 0.2 * hotPotential + 0.1 * timeDecay;
    }
}

💡 最后提醒：这道题+押题，建议关注、收藏反复看，字节二面/三面很大概率碰到，别等面试慌了才临时抱佛脚！

加好友工具搜索：【页页谈说说】，获取最新全集+押题集