3. 搜索算法基础：召回与排序
📌 章节定位：任何搜索面试的“及格线”。不问算法细节，先问概念分层。清晰区分“召回”和“排序”的职责，是面试官判断候选人是否具备工程思维的第一步。
🎯 召回 vs 排序：核心对比
| 维度 | 召回（Recall） | 排序（Ranking） |
|---|---|---|
| 目标 | 从海量候选池中快速找出“可能相关”的少量文档 | 对召回结果精确打分，输出用户最喜欢的Top-N |
| 候选集量级 | 千万→千/百 | 千/百→10 |
| 时延要求 | 毫秒级（10-100ms） | 相对宽松（几十到几百ms） |
| 常用方法 | BM25、倒排索引、向量检索 | DeepFM、DIN、Transformer-based模型 |
| 面试关注点 | 召回率和覆盖率 | 精准度和个性化 |
🧠 常用算法速览
- BM25：词频+逆文档频率的进阶版，包含文档长度归一化。面试高频：公式中
k1和b参数的意义。 - DSSM：双塔结构，Query和Doc分别过DNN，在最后一层做内积。典型用于向量化召回。面试高频：双塔离线训练 vs 在线更新的差异。
- DeepFM：用于精排。FM部分负责二阶特征交叉，深度部分负责高阶特征学习。面试高频：为什么DeepFM比Wide&Deep在特征交叉上更强？
📝 问答卡片
卡片1：召回与排序的核心区别是什么？
📌 概念辨析
- 核心差异：召回是“找”，排序是“选”。召回重覆盖和效率，排序重精度和个性化。
- 分层原因：全量排序计算量过大。优先生成百级别候选再精细排序，平衡延迟和精度。
- 协同关系：召回决定上限，排序决定下限。召回漏掉相关文档，排序再强也无效。
✅ 示例回答：“召回的目标是从千万级文档中快速筛选出百级候选，常用BM25或向量检索；排序则是利用深度模型（如DeepFM）对候选集精细打分，推送给用户。两者是漏斗关系，召回决定了系统的上限。”
卡片2：BM25有哪些关键参数和工程优化？
📌 算法深度
- 公式核心：BM25 = IDF * (fq,d * (k1+1)) / (fq,d + k1 * (1 - b + b * |d|/avgdl))
- k1：词频饱和度，通常[1.2, 2.0]，越大对高频词惩罚越小。
- b：文档长度归一化，通常0.75，靠近1则长度惩罚强烈。
- 工程优化：提前算好IDF分桶、doc长度分档，避免在线重复计算。
✅ 示例回答：“BM25的k1控制词频饱和，b控制长度归一化。我在优化时，会将IDF和文档长度提前分桶索引，查询时直接查表，减少在线计算开销。”
卡片3：DSSM和DeepFM各自适合做什么？
📌 模型对比
| 维度 | DSSM | DeepFM |
|---|---|---|
| 阶段 | 召回（双塔向量化） | 排序（交叉特征） |
| 优势 | Query和Doc独立计算，离线缓存向量，在线快速近邻搜索 | 显式建模FM低阶交叉+深度网络高阶交叉 |
| 面试高频 | 双塔的temperature参数如何调？ | 为什么DeepFM比单FM效果好？ |
✅ 示例回答：“DSSM适合召回场景，Query和Doc分别过网络，在线只计算Query向量再近邻搜索；DeepFM适合精排，FM层处理二阶特征交叉，DNN处理高阶，两者联合训练效果优于单模型。”
🏢 公司侧重点
| 公司 | 召回侧重点 | 排序侧重点 |
|---|---|---|
| 百度 | 倒排+语义向量多路召回 | 海量用户行为特征的Wide&Deep变体 |
| 字节跳动 | 多路召回（标签、协同、向量） | 精排模型+瀑布流实时重排 |
| 阿里 | 淘宝搜索侧重向量化召回 | DIN/DIEN系列，强依赖用户行为序列 |
👤 面试官画像
- 典型画像：搜索算法专家，3-5年经验。更关注候选人对“分层逻辑”的理解，而非背诵公式。
- 考察点：是否清楚召回和排序的边界，能否结合业务举例。
- 应对策略：先给结论，再举具体场景例子，最后追问时能展开参数细节。
⚠️ 避坑指南
常见错误：
- 混淆概念：将BM25归类为排序算法。BM25是词袋模型，属于召回阶段。
- 忽略工程落地：面试官问“向量召回怎么实现”只回答理论，不提Faiss或HNSW等工程化方案。
- 不对比模型：只说DeepFM好，不说为什么比FM好、比Wide&Deep好。
正确示范：“我选DeepFM是因为它同时建模低阶和高阶交叉，相比Wide&Deep无需手动设计交叉特征，训练起来更省人力。”
📚 项目案例模板
项目名称：电商搜索多路召回优化
| 业务背景 | 用户搜索商品时，原有BM25召回覆盖率低，长尾商品容易漏掉 |
| 规模指标 | 商品库10亿+，日常请求峰值5000QPS，召回率提升15% |
| 技术栈 | BM25（Elasticsearch）、双塔模型（DSSM）、向量检索（Faiss） |
核心难点：
- 多路召回结果如何合并去重，保证最终list多样性和相关性。
- 向量召回延迟高，需把向量量化+分段索引，满足5ms要求。
面试高频追问：
- 多路召回融合时，你用什么策略？加权平均？交叉排序？
- 向量召回训练数据怎么构造？正负样本怎么选？
- Faiss的IVFPQ和HNSW分别适合什么场景？
可迁移回答话术：“在这个项目中，我们采用了两阶段融合：第一层用规则过滤掉强无关结果，第二层用一个轻量排序模型学习各路的权重。这比固定权重方式提升了5%的NDCG。”