第3章：检索排序算法面试
本章定位：面试中排序算法是搜索引擎技术的核心考点，占技术面题量的30%～40%。你需要同时掌握经典算法原理（BM25、TF‑IDF）与工业级排序链路（粗排→精排→重排），并理解不同公司（百度、字节、阿里）的侧重点差异。
📌 常见排序算法对比表
| 算法 | 核心思想 | 优势 | 劣势 | 公司侧重 |
|---|---|---|---|---|
| TF‑IDF | 词频 × 逆文档频率 | 简单、可解释性强 | 忽略文本长度、位置 | 传统站内搜索（如知乎搜索） |
| BM25 | 改进TF‑IDF，引入k1、b参数 | 对长文档友好、效果稳定 | 参数需要调优 | 百度、Google 基础召回层 |
| PageRank (QS) | 基于链接图的权威值传递 | 体现网页重要性 | 难以处理实时内容 | 百度、搜狗网页搜索重排序 |
| Learning to Rank | 使用ML模型排序（GBDT/DNN） | 特征融合强、效果上限高 | 训练数据要求高、冷启动难 | 字节、美团推荐+搜索 |
🎯 高频面试问答卡片
问题1：请解释BM25算法的原理及其与TF‑IDF的区别。
面试官考察点： 是否理解排序本质（相关性+重要性）；是否具备参数调优经验；能否结合实际业务说明。
回答框架： ① 一句话定位：BM25是非线性词频权重模型；② 公式核心元素（IDF、词频饱和、文档长度归一化）；③ 对比TF‑IDF（无长度惩罚/无饱和）；④ 工程中k1、b如何设置。
示例回答（80字）： “BM25在TF‑IDF基础上引入饱和函数（k1控制增长曲线）和文档长度归一化（b控制压缩比例）。经验上k1取1.2～2.0，b取0.75。相比TF‑IDF，BM25能抑制长文档偏好，在广告、新闻搜索中效果提升5%～10%。”
可能追问： “如果文档长度差异很大，b应该调大还是调小？为什么？”
问题2：在搜索引擎中如何实现Learning to Rank？列举常用特征和模型。
面试官考察点： LTR项目落地经验；特征工程能力；模型选型思考（Pointwise/Pairwise/Listwise）。
回答框架： ① 排序问题建模（如Pairwise使用query-doc对）；② 特征分类（文本相关性、用户行为、文档质量）；③ 模型选型（GBDT→LambdaMART→DNN）；④ 训练样本构建（CTR预估→点击/停留时长）。
示例回答（90字）： “常用LambdaMART（GBDT + Pairwise loss）。特征分三类：文本匹配特征（BM25、ESIM语义分）、用户行为特征（CTR、停留时长）、文档质量特征（PageRank、内容置信度）。训练时用淘宝搜索日志构建pair，按qid分组，验证NDCG提升2～3个点。”
可能追问： “如何处理样本选择偏差（position bias）？你用过哪些去偏方法？”
问题3：如何评估排序算法的效果？常用哪些指标？结合业务场景说明。
面试官考察点： 是否理解离线指标与在线指标的关系；能否根据业务选择合适指标；是否知道指标陷阱。
回答框架： ① 离线指标（NDCG@k、MAP、MRR）；② 在线指标（CTR、停留时长、GMV/转化）；③ 业务匹配：新闻搜索侧重时效分（ERR-IA），电商搜索侧重GMV和CTR；④ 注意点：指标间的冲突（CTR高但退货率也高）。
示例回答（100字）： “离线常用NDCG@10，因为它考虑排序位置和分级相关性。在线关注CTR和Query下第一屏点击分布。例如电商搜索，我们会同时看GMV/nDCG – 如果NDCG上升但GMV下降，说明相关性排序牺牲了商业转化，需要引入LTR中的商业特征平衡。”
可能追问： “（结合数据）线上CTR提升2%但平均停留时长下降5%，你会怎么分析问题？”
公司侧重点速览：
- 百度（网页搜索）：侧重BM25与传统排序，面试经常问倒排索引与TF‑IDF的工程优化（跳表、FST）。
- 字节、美团（混合搜索/推荐）：侧重LTR + 多目标排序，必问GBDT、DIN、MMOE等模型。
- 阿里（电商搜索）：强调商业排序（GMV导向），面试中会出现“如何平衡相关性得分与商业分”等交叉问题。