第4章 模拟面试清单与流程规划
面试不是背答案，而是拆解考官的思维路径。本章梳理高频问题类型、分轮次回答框架、以及大厂与创业公司的侧重点差异。掌握这些，你就能像解CTR公式一样拆解每一轮面试。
公司面试轮次对比
| 维度 | 大厂（阿里/字节/腾讯） | 创业公司（A/B轮） |
|---|---|---|
| 轮次数量 | 3~5轮（技术面+交叉面+HR） | 1~2轮（CTO/负责人直接面） |
| 考察重点 | 基础深度 + 系统设计 + 业务理解 | 实战能力 + 跨领域广度 + 主人翁意识 |
| 典型问题 | LR推导、AUC计算、海量特征工程 | 你如何选模型？出错了怎么排查？ |
| 回答策略 | 分层递进：先定义问题→再给出方案→最后总结 | 单刀直入：直接给出可落地的方案+过往数据 |
高频问答卡片 #1
面试问题：请用STAR法则介绍一个你最有成就感的广告算法项目。
面试官考察点：①项目是否真实深入 ②能否用结构化方式表达 ③能否从结果中提炼方法论。
回答框架：按照S→T→A→R→L顺序，每个部分1~2句话，突出个人贡献和数据指标。
示例回答：“在上一款信息流产品中（S），广告eCPM低于大盘15%（T）。我主导设计了一个双塔+注意力机制的CTR模型，引入用户长序列行为（A）。上线后eCPM提升11%，CTR提升8%（R）。后续我将此方法沉淀为通用特征交叉模块（L）。”
可能追问：“为什么用双塔而不是DIN？” “离线评估时你用了哪些指标？”
高频问答卡片 #2
面试问题：广告点击率预估中，你会如何处理样本选择偏差？
面试官考察点：①对训练/测试分布差异的理解 ②是否了解IPS、DR等矫正方法 ③能否结合实际场景给出方案。
回答框架：先定位偏差来源（曝光 vs 点击），再给出至少两种方法（如IPW、数据增强），最后说明适用条件。
示例回答：“广告场景中模型只学习到曝光后的点击样本（偏差来源）。我常用两个方法：一是逆倾向评分加权（IPS），用倾向模型给每个样本加权；二是用全曝光数据做预训练，再fine-tune点击模型。推荐广告场景IPS效果更好。”
可能追问：“倾向模型你怎么训练？” “如果倾向模型不准怎么办？”
高频问答卡片 #3
面试问题：在你上一家公司，广告模型从开发到上线经历过哪些流程？
面试官考察点：①对工作流的全局理解 ②是否与工程、产品有协作经验 ③对AB测试、灰度、监控的熟悉程度。
回答框架：按照时间线：需求→数据→特征→模型→离线评估→AB测试→灰度→全量→监控。每个环节点出关键动作。
示例回答：“先和产品对齐业务目标→清洗日志流，做特征统计→选型双塔模型→离线达到AUC 0.78后切1%流量小流量AB→观察一週CTR、CPM无负向→逐步扩量到30%→全量上线后监控3天实时指标。”
可能追问：“AB测试的最小样本量怎么定？” “灰度期间如果效果下跌怎么快速回滚？”