真实面经题目 · 原创解析
这道题考察的是候选人是否理解推荐系统是召回、排序、重排和实验闭环的整体系统。新增一路召回不是把候选直接塞给排序模型就结束，因为新召回源会带来候选分布变化、分数口径不一致、样本覆盖不足、特征缺失、去重归因复杂、线上配额和延迟变化。排序阶段至少要接入召回源特征、补齐候选侧特征、处理新旧渠道分数校准、更新训练样本和负采样、监控不同来源的排序表现，并通过 A/B 验证用户指标、业务指标和系统成本。回答的关键是把新增召回后的排序改造讲成“分布变化治理”，而不是只说模型重新训练。
我会先判断新增召回带来的候选和原有候选有什么不同。排序阶段首先要把召回来源作为显式特征接入，例如 recall_channel、召回原因、召回分数、匹配 query、相似物品、触发用户行为、召回时间窗等，让排序模型知道候选来自哪一路以及为什么被召回。其次要补齐候选特征，保证新召回物品在用户特征、物品特征、上下文特征、交叉特征、历史统计特征上和老渠道口径一致，避免大量缺失。第三要做分数校准，因为不同召回源的原始分数不可直接比较，ANN 距离、规则分、协同过滤相似度、热门分的意义不同，排序模型可以消费这些分数，但要通过归一化、分桶、source-specific calibration 或学习型融合降低口径差异。第四要更新训练数据：新召回源上线前没有充分曝光样本，模型可能低估它，需要灰度收集曝光点击转化日志，做去偏、负采样、分来源评估，必要时微调排序模型或加探索流量。工程上还要处理去重、归因、渠道配额、fallback、延迟和监控。最终用 A/B 看 CTR、CVR、GMV、留存、覆盖、多样性、长尾、新用户和延迟，而不是只看新增召回的离线命中。
新增召回后，排序模型需要知道候选来自哪一路。常见特征包括召回通道 ID、召回原因、通道内 rank、通道原始分、匹配的用户行为、相似 item、query 或标签、时间窗和召回触发场景。这些特征能帮助模型学习不同来源候选的可信度和适用人群，也便于后续分来源监控。
新召回源可能带来更多冷门、新品或非主流类目候选，原排序特征可能缺失或统计不稳定。需要检查物品画像、用户物品交叉、历史 CTR/CVR、价格、质量、时效、上下文等特征覆盖率。缺失特征要有明确默认值、置信度或冷启动替代特征，否则排序模型可能因为缺失分布不同而系统性压低新召回候选。
不同召回源的原始分数不能直接比较。协同过滤相似度、向量距离、搜索相关性、规则热度分和模型召回概率的数值尺度都不同。排序阶段可以把原始分数作为特征，但要做按来源归一化、分位数分桶、温度校准、isotonic calibration 或 source-specific transformation，让模型看到相对可比的强弱信号，而不是被某一路分数尺度误导。
新增召回源改变了训练和线上候选分布。如果训练集中几乎没有这一路候选，排序模型可能不会正确评估它。可以先小流量灰度收集曝光、点击、转化和跳过样本，再按召回来源构造训练集，处理曝光偏置和负采样比例，必要时做模型微调或分来源塔结构。训练评估要分渠道看 AUC、LogLoss、校准曲线和 topK 排序质量。
新增召回还会影响排序前后的工程链路。多路召回合并时要去重并保留多来源信息，不能简单丢掉来源；要记录候选从哪路进入、被哪层过滤、最终是否曝光和转化。还要设置通道配额、熔断、fallback 和超时策略，防止新通道延迟高或质量波动拖垮整体推荐。重排层也可能需要调整多样性、去重和业务规则。
验证要分离召回贡献和排序适配效果。离线看新增通道是否带来增量候选、覆盖、长尾和后续行为命中；排序离线看分来源模型表现和校准；线上 A/B 看整体 CTR、CVR、GMV、留存、负反馈、覆盖率、多样性、长尾曝光、冷启动表现和延迟成本。还要做分人群分析，确认新召回源对新用户、低活用户或特定兴趣人群是否有增益。
因为新召回候选的特征分布和训练分布不同。模型可能没见过这类候选，遇到缺失统计特征时打低分；也可能因为某些召回分数尺度偏大而过度提升。需要分来源特征、校准和灰度样本来让模型正确学习。
候选去重时不要只保留一个来源，可以保留来源集合、最高通道分、各通道 rank、命中次数和主来源。多来源命中本身也是强信号，后续排序和归因分析都需要知道候选是被哪些通道共同召回的。
可以先用离线回放和历史行为构造近似样本，但最终仍需要小流量探索收集真实曝光反馈。启动期可以设较小配额、使用保守过滤和重排护栏，等样本稳定后再进入排序模型训练或微调。
要看下降来自候选质量、排序适配还是流量分配。可以先分来源看通道候选的排序位置、点击率和负反馈，再调整通道配额、召回阈值、分数校准和排序特征。覆盖率有价值，但不能以明显伤害用户体验为代价。
