第2章 高频面试问题与回答框架
面试官通过“高频问题”考核你的技术深度、业务理解与表达结构。本章提炼三大核心问题的答题框架，并标注不同公司的侧重点差异，让你在表达中自然展示“业务思维+算法能力”。
Q1：请介绍一下你在广告CTR预估方面的项目经历
| 面试官考察点 | 项目落地能力、模型选型逻辑、特征工程思维、业务指标意识 |
| 回答框架 | STAR：背景（业务场景+数据规模）→ 任务（提升CTR/收入）→ 行动（模型+特征+优化）→ 结果（离线/线上指标） |
| 简短示例回答 | “在XX信息流广告项目中，我主导CTR模型升级。采用Wide&Deep架构，新增用户实时行为特征和商品粒度的交叉特征。离线AUC提升2%，在线CTR+1.5%，广告收入+3%。核心难点是特征实时计算延迟，通过Flink实时特征通道解决。” |
| 可能追问 | ① 为什么选择Wide&Deep而非DeepFM？② 如何解决特征稀疏问题？③ 线上A/B测试如何设计？④ 模型迭代版本管理方式？ |
| 避坑提醒 | ❌ 只谈模型结构，不谈数据规模与业务收益。✅ 一定要说清楚“为什么选择这个方案”以及“指标提升了多少”。 |
Q2：广告召回策略中，如何平衡召回率和精度？
| 面试官考察点 | 多路召回设计、粗排衔接、工程效率、实时性与多样性 |
| 回答框架 | 方案全景（多路+融合）→ 各路口径（协同/向量/热榜）→ 平衡策略（阈值/多样性/漏斗深度）→ 工程细节（索引/延迟） |
| 简短示例回答 | “采用三路召回：LBS协同过滤、双塔向量召回、热门补偿。向量模型使用双塔+softmax loss训练。线上通过Faiss检索，控制每路top 200，融合时按权重加再粗排。通过调节向量相似度阈值和丢弃长尾query来平衡召回率与精度，最终整体召回率85%，粗排CTR提升12%。” |
| 可能追问 | ① 双塔模型训练样本如何构造？② Loss函数为什么用softmax而不是sampled softmax？③ 如何更新用户Embedding？④ 冷启动物品如何召回？ |
| 避坑提醒 | ❌ 只讲理论，不提线上实际延迟和存储消耗。✅ 强调工程落地细节，如向量索引类型、更新频率。 |
Q3：广告竞价中eCPM如何计算？你是如何设计出价策略的？
| 面试官考察点 | 竞价机制理解、出价优化能力、预算控制、业务特征 |
| 回答框架 | 基准公式(ecpm=bid×pCTR×1000) → 动态调整(加入pCVR/ROI约束) → 预算Pacing策略 → 实验效果 |
| 简短示例回答 | “在oCPM广告中，ecpm=转化出价×预估转化率，我们采用pCVR修正出价。同时基于广告主ROI目标，实时计算最优出价系数；预算Pacing使用指数平滑控制，避免单小时超支。最终转化成本降低了8%，预算利用率提升至95%。” |
| 可能追问 | ① 如何解决冷启动阶段的出价？② 多个广告主竞争同一流量时如何分配？③ 预算Pacing的平滑方法对比？④ 如果pCVR不准，如何兜底？ |
| 避坑提醒 | ❌ 混淆CPM和oCPM的出价逻辑。✅ 明确说出出价公式中的每一项，并指出不同计费方式的差异。 |
不同公司的面试侧重点
| 问题类型 |
考察维度 |
字节跳动 |
阿里巴巴 |
腾讯 |
| CTR预估 |
模型选型、特征工程、实时性 |
重视广告收入指标与大流量稳定性 |
强调GMV转化与多场景迁移能力 |
关注用户时长与长周期ROI |
| 召回策略 |
多路设计、向量召回、粗排衔接 |
偏好实时意图召回，延迟要求<100ms |
重视语义召回与竞价场景结合 |
强调多样化与用户长兴趣建模 |
| 竞价出价 |
出价算法、预算控制、经济学 |
强依赖于oCPM模型与实时反馈 |
注重全链路预算分配与营销场景 |
偏向混合出价（素材+人群） |
提示：回答时先理解问题背后的“业务痛点”，再套框架。面试官更关注你如何用技术解决业务问题，而非单纯背诵公式。