第2章 高频面试问题与回答框架
本章聚焦广告算法面试中最高频的3类问题——模型演进、系统偏差、实验设计。你将掌握一套可复用的5步回答框架，并理解不同大厂在面试中的侧重点差异。所有内容按「问题→考察点→框架→示例→追问→避坑」六层结构组织，方便复习时快速扫读。
▎不同公司面试侧重点对比
核心洞察：面试前通过面经或熟人了解该部门当前业务痛点，针对性准备对应能力模块。
| 公司 | 模型能力 | 工程能力 | 业务理解 | 数学基础 | 侧重方向 |
|---|---|---|---|---|---|
| 百度 | ★★★★★ | ★★★★ | ★★★ | ★★★★★ | 模型 + 数学 |
| 阿里 | ★★★★★ | ★★★★ | ★★★★★ | ★★★★ | 模型 + 业务 |
| 腾讯 | ★★★★ | ★★★★★ | ★★★★ | ★★★★ | 工程 + 模型 |
| 字节 | ★★★★★ | ★★★★★ | ★★★★ | ★★★★ | 模型 + 工程 |
| 快手 | ★★★★ | ★★★★ | ★★★★★ | ★★★ | 业务 + 模型 |
▎核心面试问答卡片
1
面试问题：请介绍广告CTR预估模型的演进路线及核心思想
🎯 面试官考察点：
- 是否系统掌握主流CTR模型
- 是否理解演进逻辑而非死记硬背
- 能否分析各模型优缺点与适用场景
📐 回答框架：
- 定位：CTR模型在广告系统中的核心作用
- 脉络：LR → FM → DeepFM → DIN/DIEN
- 难点：特征交叉 · 用户兴趣建模 · 稀疏学习
- 方案：各模型的核心创新点与设计动机
- 升华：演进逻辑 = 从手动到自动 + 从浅层到深层
💬 示例回答：
CTR模型演进遵循"从浅到深、从手动到自动"的逻辑。LR奠基，FM实现自动特征交叉，DeepFM融合DNN端到端学习，DIN引入注意力机制建模用户兴趣，DIEN进一步捕捉兴趣演化路径。核心是不断提升特征表达能力和模型容量，同时保持在线服务效率。
🔁 可能追问：
- DeepFM与Wide&Deep的核心区别？
- FM的数学原理？推导一次计算复杂度优化
- DIN为什么用注意力机制？效果提升多少？
- DIEN的兴趣演化建模具体怎么做的？
⚠️ 避坑提醒：
- 不要只罗列模型名称，要讲清演进动机
- 不要忽略工程约束（如推理延迟、模型大小）
- 不要回避各模型的局限性
2
面试问题：广告系统中常见哪些bias？如何解决Position Bias？
🎯 面试官考察点：
- 是否对广告系统实际偏差有感知
- 是否掌握去偏的经典解法与原理
- 能否结合业务场景选择合适方案
📐 回答框架：
- 定位：Position Bias的定义与负面影响
- 脉络：常见bias类型（position/selection/trust）
- 难点：bias与真实兴趣的耦合
- 方案：位置特征 · PAL · IPS 对比
- 升华：去偏的本质是让模型学习"位置无关"预估
💬 示例回答：
Position Bias是广告位置对CTR的干扰。主流解法：①位置特征法，简单但易引入新偏差；②PAL模型，将预估分解为pCTR=p(seen)×p(click|seen)，业界常用；③IPS逆倾向加权，需无偏数据估计权重。实践中PAL效果稳定，且易于在线部署。
🔁 可能追问：
- PAL的具体网络结构？shared bottom还是separate？
- IPS的假设是什么？实际数据是否满足？
- 多位置bias如何处理？
- 线上如何使用去偏后的分数排序？
⚠️ 避坑提醒：
- 不要只说理论，要说明具体实现细节
- 不要忽视不同bias之间的交互影响
- 不要回避去偏方法在线上回退时的策略
3
面试问题：如何设计一个广告CTR模型的在线A/B实验系统？
🎯 面试官考察点：
- 实验设计与工程落地能力
- 统计推断基础是否扎实
- 能否预判实验中的典型陷阱
📐 回答框架：
- 定位：A/B实验是效果评估的黄金标准
- 方案：分层分桶 + 用户ID哈希
- 难点：实验干扰 · 流量不够 · Novelty Effect
- 指标：CTR · ECPM · GMV · ROI + 统计检验
- 升华：实验系统的本质是科学决策基础设施
💬 示例回答：
采用分层+分桶设计：按用户ID哈希分100桶，实验层与模型层正交。核心指标选CTR、ECPM、GMV、ROI。使用t-test检验，p<0.05为显著，同时追踪7日以上长期指标以排除Novelty Effect。实验组与对照组需通过AA测试验证均衡性。
🔁 可能追问：
- 如何避免实验间的相互干扰（interleaving）？
- 流量不够时有什么替代方案？
- Novelty Effect如何检测和处理？
- 指标显著但实际收益为负的原因分析
⚠️ 避坑提醒：
- 不要忽略实验分层与流量正交的细节
- 不要只关注核心指标而忽视护栏指标
- 不要假设实验系统"搭好就能用"，需持续治理