推荐系统工程上是怎么实现的？｜字节跳动算法面经解析

60 秒回答模板

推荐系统一般不是一个模型直接输出结果，而是多阶段工程链路。先从物品池做多路召回，比如协同过滤、向量召回、规则召回和热门召回；再用粗排控制规模，精排用更复杂模型打分，重排阶段处理多样性、去重、业务规则和探索。工程上还要有特征平台、样本生成、模型训练、在线推理、缓存降级、A/B 实验和日志回流。

考点 分阶段筛选

难度 算法岗真实面经题

回答目标 讲清方法、取舍和追问

推荐系统通常从千万级或更大的候选物品中逐步筛选。召回阶段追求覆盖和速度，粗排阶段快速压缩候选，精排阶段用复杂特征和模型提高相关性，重排阶段处理多样性、新鲜度、规则约束和用户体验。

工程实现离不开特征体系。用户画像、物品特征、上下文特征、交叉特征和实时行为都要经过采集、清洗、存储和一致性管理。训练样本通常来自曝光、点击、转化、停留等日志，需要处理延迟反馈、负样本采样和数据穿越。

在线推荐要考虑延迟预算和稳定性。召回可能依赖向量索引、倒排索引、缓存和规则服务；排序模型可能用模型服务或特征服务实时推理。高并发场景下要有缓存、批量请求、超时降级和兜底策略。

推荐系统强依赖实验平台。模型上线前要看离线指标，线上通过 A/B 实验观察点击率、转化率、留存、时长和负反馈。还要监控延迟、错误率、特征缺失率、召回量、模型分布漂移和核心业务指标。

用户行为会继续回流成训练数据，形成迭代闭环。真正的工程难点在于数据、特征、模型和策略联动：既要提升短期指标，也要防止信息茧房、马太效应、重复推荐和冷启动问题。

全量物品直接精排成本太高。召回先快速找出可能相关的候选，排序再用更复杂模型细分质量，能在延迟和效果之间取得平衡。

要检查样本分布、特征一致性、线上延迟、实验分流、业务指标定义和模型是否只优化了离线代理目标，还要看分桶人群是否有退化。

用户冷启动可以用注册信息、上下文、热门内容和探索策略；物品冷启动可以用内容特征、规则扶持、相似物品和小流量探索收集反馈。