搜索算法校招拆解：query 理解、召回排序与相关性评估

岗位与去向

综合搜索、电商搜索与内容社区站内搜索团队的算法岗；大模型带动「生成式搜索/RAG」方向新增 HC，检索质量岗位需求稳定。

知识考点

1. query 理解：分词、纠错、同义改写、意图分类各自解决什么问题？
2. 召回：倒排（BM25）与向量（双塔/ANN）各自的优劣；多路召回如何去重合并。
3. 排序：LTR 三种范式（pointwise/pairwise/listwise）的差别；GBDT 与深度排序模型的适用场景。
4. 评估：NDCG、MRR、AB 实验中的 interleaving 各在什么环节使用？
5. 工程：倒排索引的构建与压缩；ANN 索引（HNSW/IVF）的召回-延迟权衡。
6. 前沿：RAG 场景下检索与生成如何联合评估。

面试重点

• 全链路题：「用户搜『苹果 15 壳』，系统怎么理解并返回结果」——考分层拆解能力。
• 案例题：某类 query 的点击率突然下降，怎么定位是召回问题还是排序问题。
• 编码题：实现简化版 BM25 或 topK 归并，注意边界与复杂度。

准备建议

• 用公开数据集跑通「召回+重排」两阶段 demo，记录 NDCG 提升过程。
• 精读一篇 LTR 与一篇稠密检索（DPR 类）论文，能对比讲清适用条件。
• 准备一页纸讲清你理解的搜索系统架构图，面试开场主动引导。