第3章 搜索算法基础：召回、排序、粗排、精排核心原理

核心认识：搜索系统本质是“漏斗”结构——从海量候选到最终呈现，依次经过召回→粗排→精排→重排四个阶段。面试中常要求你讲清各阶段定位、模型选型与协同优化。本章通过3个高频问答 + 1个真实项目模板，帮你构建完整回答框架。
搜索排序阶段 · 回答框架 整体漏斗 召回 海量候选·向量/倒排 粗排 轻量模型·双塔/内积 精排 复杂模型·DeepFM/MMoE 协同优化 样本·特征·指标联动

面试问答卡片

📌 问答一：召回、粗排、精排的区别与联系

  • 面试问题：请详细解释召回、粗排、精排在搜索系统中的区别和联系。
  • 面试官考察点：是否理解搜索漏斗的整体设计思想、各阶段的定位及权衡（效率 vs 精度）。
  • 回答框架：
    1. 先定义：召回快速获取数百候选（向量检索/倒排索引）；粗排用轻量模型压缩至百以内；精排用复杂模型精准排序。
    2. 再讲联系：构成漏斗，前阶段为后阶段提供候选，后阶段依赖前阶段的质量。
    3. 最后举例：淘宝搜索，召回用Faiss，粗排用双塔，精排用DeepFM。
  • 简短示例回答：
    召回从全量库中快速获取数百条候选，常用向量检索；粗排用轻量模型如双塔将候选压缩到百条以内；精排则用DeepFM等复杂模型进行精准排序。三者构成漏斗，效率逐步降低但精度逐步提高，前阶段的质量直接决定后阶段的上限。
  • 可能追问：
    • 粗排为什么不能用精排模型？
    • 如果召回效果很差，精排能弥补吗？
    • 你们实际工作中如何衡量漏斗各阶段的效果？
  • 避坑提醒：
    不要混淆粗排和精排的模型复杂度边界。强调精排受实时性和资源约束不能直接用，回答时要体现对系统延迟、计算资源、特征维度的权衡考虑，而非单纯说“粗排简单”。

📌 问答二：粗排模型的设计思路与优化

  • 面试问题：如何设计一个高效的粗排模型？谈谈常见方案和优化手段。
  • 面试官考察点：对粗排工程与算法平衡的理解，是否了解双塔、蒸馏、一致性优化等前沿实践。
  • 回答框架：
    1. 目标：与精排排序一致性，同时满足低延迟（通常<10ms）。
    2. 模型选型：双塔结构（用户塔+物品塔），在线算内积；也可用三塔引入上下文。
    3. 特征与训练：只使用精排特征子集（避免复杂交叉），训练时采用知识蒸馏（精排得分作为软标签）或联合训练。
    4. 在线加速：特征预计算、向量化、模型量化等。
  • 简短示例回答：
    粗排常用双塔结构，用户塔和物品塔分别计算向量，内积得分。特征选用精排特征子集，避免复杂交叉。训练时可用精排模型蒸馏，或与精排联合训练以对齐排序目标。在线部署时通过向量化计算和模型量化将延迟控制在5ms以内。
  • 可能追问：
    • 双塔模型有什么缺点？
    • 如何衡量粗排和精排的一致性？
    • 蒸馏时损失函数怎么设计？
  • 避坑提醒：
    不要只说“双塔简单易部署”。要指出双塔的内积假设限制了特征交互能力，可能导致信息丢失。回答时最好补充解决缺点的方案，例如添加交叉层或使用蒸馏对齐。

📌 问答三：精排模型的常用结构与效果提升技巧

  • 面试问题：精排模型常采用哪些网络结构？如何持续提升精排效果？
  • 面试官考察点：对建模演进的理解，是否掌握多任务学习、特征交叉、排序损失函数等核心技巧。
  • 回答框架：
    1. 经典模型：Wide&Deep（记忆+泛化）、DeepFM（自动二阶交叉）、DCN/DCNv2（显式交叉层）、MMoE/PLE（多任务学习）。
    2. 效果提升：特征工程（交叉特征、用户行为序列）、损失函数（Pairwise/Listwise排序损失）、样本优化（去偏、负采样策略）、模型结构创新（Attention、Transformer）。
    3. 实验验证：离线AUC/NDCG，在线AB测试。
  • 简短示例回答：
    精排常用DeepFM自动二阶交叉，DCN的Cross层学习显式特征交互。多任务结构如MMoE可同时优化CTR和CVR。损失函数用Pairwise或Listwise排序损失如ListNet，配合AUC提升。此外引入用户行为序列特征和De-bias样本也能显著改善效果。
  • 可能追问：
    • MMoE如何解决任务冲突？
    • 为什么选择DeepFM而不是Wide&Deep？
    • Listwise损失在实际场景中有什么问题？
  • 避坑提醒：
    不要只罗列模型名称而不加解释。回答时需说明选择某模型的原因（例如DeepFM能自动做特征交叉，减少人工特征工作），并结合实际业务场景（比如电商多目标优化选MMoE）。

项目案例：电商搜索粗排模型升级

项目名称电商搜索粗排模型升级（LR → 双塔蒸馏）
业务背景原有粗排采用LR+人工规则，CTR和GMV增速放缓。精排模型已升级，但粗排成为漏斗瓶颈，导致优质商品无法进入精排。
规模指标日均搜索请求1000万次；候选池5000万商品；粗排需要从5000万压缩到300个；延迟要求<10ms。
技术栈TensorFlow 2.x（训练）、Faiss（向量检索）、特征工程（Spark + ODPS）、模型导出ONNX、AB实验平台。
核心难点① 大规模线上实时推理延迟（10ms以内）；② 粗排与精排排序一致性差（精排Top50在粗排中仅40%命中）；③ 样本选择偏差（训练数据来自老旧粗排的曝光）。
面试高频追问如何衡量粗排与精排的一致性？
答：常用NDCG@K、逆序对比例、精排TopK在粗排TopK中的命中率。我们设定命中率>60%为目标。
可迁移回答话术“我们面临粗排10ms延迟约束，通过双塔+内积实现，但发现粗排排序与精排严重不一致。采用蒸馏+排序一致性损失，将精排得分作为软标签训练，使得粗排Top100中精排命中率从40%提升到55%；同时通过离线采样修正样本偏差，最终CTR提升8%，GMV提升5%。”
✨ 话术结构：问题→约束→方案→量化收益，适合任何“效率与精度平衡”类面试题。
复习建议：本章重点掌握漏斗各阶段的核心指标与模型对应关系。将问答卡片中的框架背诵后配合项目案例中的话术，即可应对90%的搜索排序面试题。
← 上一章 📖 返回目录 下一章 →