Matching 方法面试题解析

标签题目

Matching 方法相关面试题

这题考面向真实文本的关系抽取方案，重点是先识别实体和情感词，再做候选配对、关系判断和冲突消解。

这题考派单系统的召回建模粒度：订单粒度从订单找候选司机，人车粒度从司机或人车状态找候选订单，差异体现在实时性、容量约束和全局匹配效率。

这是电商搜索中的 query 覆盖与语义召回问题。可通过同义词和别名词库、query rewrite、拼写纠错、类目和属性归一、向量召回、用户行为挖掘等方式，把未入库关键词映射到可召回商品的标准词或相关词，同时通过相关性排序和人工审核控制误召回。

电影垂直搜索要从数据侧建立结构化电影实体、别名、演员导演、类型、地区、上映时间和资源状态，从搜索侧完成 query 理解、多路召回、相关性排序和结果展示。回答重点是把数据质量、实体归一、检索链路和效果评估连成闭环。

这道题考察出行派单里如何把“地理上看似顺路”转成“乘客主观感知也顺路”的可训练问题。高质量回答要讲清建模目标、弱监督标签、规则样本、特征设计、偏差处理、评估指标和线上体验护栏，而不是只回答最短路或 ETA。

这道题考察出行派单如何从“乘客和司机两两配对”抽象成带约束的最大权二分图匹配。高质量回答要先定义候选边和权重，再讲一对一约束、不可匹配处理、算法选择、在线批量求解、业务护栏和效果评估，而不是只背匈牙利算法。

这题考实体链接到知识库的完整链路，回答要覆盖 mention 规范化、候选召回、上下文排序、歧义消解、NIL 处理、知识库更新和评估指标。

这题考非随机实验分析能力。Matching 的核心是用处理前特征为实验组找到可比对照组，降低选择偏差，但它只能控制可观测混杂，必须配合重叠性、平衡性诊断和敏感性分析。