4. 召回算法与多路召回策略

面试问题：召回算法有哪些常见类型？请简要说明各自原理及优缺点。

面试官考察点：基础广度｜能否系统分类（协同/向量/物品/图/模型）｜对工业界常用方法的认知

回答框架：① 按范式分三大类（协同过滤、向量检索、规则类）→ ② 每类选1-2主流方法说明原理 → ③ 对比优缺点 → ④ 结合场景说明选型

简短示例回答：可分为协同过滤（UserCF/ItemCF）、向量检索（双塔DSSM）、图召回（PinSAGE）及规则召回（热门/类别）。协同过滤依赖交互矩阵，冷启动差；双塔泛化性强但语义表达有限；图召回能利用结构信息。工业常用多路组合互补。

可能追问：① 双塔模型如何解决样本选择偏差？② ItemCF和UserCF在什么场景下更优？③ 召回模型如何进行线上评估？

避坑提醒：只回答名字不展开原理，或混淆召回与排序的区别。建议通过“公式+简图”强化记忆。

公司侧重点：字节跳动侧重向量召回+实时特征，美团侧重LBS+多路融合，快手侧重图召回+社交关系。

面试官画像：资深算法工程师（3-5年经验），关注工程落地与调优经验，会追问线上指标变化。

面试问题：如何设计实时召回系统？在工程实现上有哪些关键挑战？

面试官考察点：实时架构理解｜延迟与吞吐折中｜增量更新与全量切换｜流量策略

回答框架：① 定义实时召回触发时机（点击/反馈后）→ ② 分层架构（实时层+近线层+离线层）→ ③ 关键技术：增量向量索引、消息队列、预计算+实时拼接 → ④ 容错与监控

简短示例回答：基于用户实时行为触发的召回。采用Kafka收集行为，实时更新用户Embedding，通过增量IVF索引检索向量。近线层每5分钟全量构建，离线层每天重建。主要挑战：索引更新延迟、写入与读取冲突、流量突变时需要降级。

可能追问：① 增量索引如何保证一致性？② 实时召回率和离线召回率如何对比？③ 如果用户行为稀疏，实时召回有效吗？

避坑提醒：勿只讲理论不提工程细节（如索引库选型、线程模型）。“实时”不等于“即时”，需明确延迟目标。

公司侧重点：大促场景（淘宝/抖音）对实时性要求极高，需要秒级响应；小红书等社区要求分钟级即可。

面试官画像：推荐系统架构师或技术负责人，关注系统稳定性与资源成本。

面试问题：新用户/新物品冷启动召回怎么做？多路召回结果如何融合？请举例说明。

面试官考察点：冷启动策略深度｜融合方法（加权/排序/学习）｜对业务影响的理解

回答框架：① 冷启动：分用户侧（画像/探索/个性化推荐）与物品侧（内容理解/热启/单路曝光）→ ② 多路融合：先固定候选池大小，再通过规则加权或轻量排序模型融合 → ③ 线上A/B测试验证

简短示例回答：新用户先用热门+类目冷启动，采集5个交互后切换至DSSM向量召回。多路融合采用加权sum：热门0.2、协同0.3、向量0.5，支持在线调参。新物品通过图文标签建向量，加入冷启池单独曝光。

可能追问：① 冷启动阶段的探索与利用如何平衡（如ε-greedy, UCB）？② 多路融合权重如何动态调整？③ 如何评估冷启动效果？

避坑提醒：冷启动不要只提“用热门”这个单薄答案，需展开讲策略演化。融合只说“线性加权”不够，要说明权重来源及自动调优手段。

公司侧重点：快手/抖音新用户占比高，冷启动策略权重极大；京东/淘宝侧重新品冷启动策略。

面试官画像：业务线算法Leader，关注线上指标（冷启留存率、转化率）与实际收益。

项目名称：XX短视频推荐召回系统升级（V2.0）

业务背景：原有基于单一协同过滤的召回覆盖率低（<30%），新用户冷启慢、长尾内容曝光差。需要建设多路召回+实时召回+冷启动机制。

规模指标：DAU 5000万+，每秒召回请求量8万QPS，候选池从2000扩大到8000，召回覆盖率从28%提升至62%，冷启动7日留存提升18%。

技术栈：TensorFlow（双塔模型）、Faiss（向量索引）、Kafka + Flink（实时流）、Redis（冷启画像）、A/B实验平台。

核心难点：① 多路召回候选池大小不一，融合时需归一化分数；② 实时索引与离线索引一致性问题；③ 冷启动策略中探索流量占比的动态调整。

面试高频追问：① 多路分数归一化具体怎么做的（如min-max/分位归一化）？② 新物品Embedding如何生成才保证冷启有效？③ 实时召回延迟多长时间？为什么？④ 融合权重如何通过自动调参优化？

可迁移回答话术：“在XX项目中，我们通过双塔向量召回+协同过滤+热门召回的多路组合，配合Flink实时更新用户向量，覆盖了80%以上的长尾视频。冷启动阶段采用分层探索策略，新视频按图文标签先进入小候选池，累计曝光量超过阈值后进入常规召回。多路融合采用轻量级LR模型学习各路权重，线上收益+3.2%。”