推荐算法校招面试拆解：召回排序链路与特征工程

岗位与去向

电商、短视频、本地生活、内容社区的推荐/搜广推算法岗是算法校招最大池子之一，另有云厂商与新零售的个性化团队。

一面高频题

1. 推荐系统整体架构：召回、粗排、精排、重排各解决什么问题？
2. 协同过滤（ItemCF/UserCF）与矩阵分解的原理和局限？
3. 双塔模型为什么适合召回？负采样怎么做？
4. Wide&Deep、DeepFM、DIN 各自的动机是什么？
5. AUC 与 GAUC 的区别？为什么线上更看 GAUC？
6. 特征穿越是什么？怎么在样本构造时避免？
7. 冷启动（新用户/新物品）有哪些工程与算法手段？
8. 手写：Top-K 频繁项 / 两数组交集 / 堆排序。

二面重点

• 项目深挖：样本怎么定义正负例？特征分几类？离线涨了线上没涨怎么排查（一致性、穿越、分布漂移）？
• 场景设计：给一个新上线的短视频产品设计推荐系统 MVP——数据、召回、排序、指标一步步说。
• 多目标：点击/时长/互动多目标怎么建模（MMoE/ESMM），怎么权衡。

准备建议

• 精读 3~5 篇工业界论文（YouTube DNN、DIN、MMoE），能画出结构图并说清动机。
• 跑通一个公开数据集全链路项目，记录每次迭代的指标变化。
• 八股之外，准备一个「指标没涨我怎么定位」的完整故事，这是区分度最高的部分。