INTERVIEW / SEARCH ADS REC

搜广推面经

整理搜索、广告、推荐算法方向的公开面经与复习路径。先做导航和框架，后续再逐步补自己的答案、项目复盘和手撕代码。

5 份参考资源 7 个复习方向 2026.09 最近整理

优先参考的现成资源

题库 GitHub Pages

覆盖损失函数、评估指标、特征交互、双塔召回、向量检索、排序、多目标、广告机制、Serving 和手撕题。适合作为总复习目录。

导航 GitHub Pages

面经合集导航站，包含搜广推等方向。它的入口页形式值得借鉴，但你的博客应保留个人筛选和点评。

知识库 GitHub

按公司、业务线和岗位方向组织面经。适合看“哪个公司问什么”，尤其可参考阿里淘天搜广推题库的分类方式。

教程 Datawhale

更偏系统学习，不是纯面经。适合补推荐系统基础、项目实践和完整链路理解。

链接集 GitHub

大厂算法面经链接较多，其中有推荐系统算法岗和广告算法岗分区。部分链接在外部平台，阅读时要注意可访问性和质量筛选。

推荐模型从 LR/FM 到 DeepFM、DCN、DIN、MMOE、PLE

重点不是背模型名，而是讲清楚每个模型解决了什么问题：特征交叉、用户兴趣建模、多任务目标冲突、样本选择偏差。建议准备一条“模型演进线”，再结合自己的项目讲取舍。

召回排序召回、粗排、精排、重排的全链路

高频问题集中在双塔训练、负采样偏差、向量检索、粗排蒸馏、精排特征交叉和重排多样性。面试时要能说明每一层的候选规模、延迟约束和优化目标。

搜索算法Query 理解、召回、相关性和排序

搜索方向要突出 query 意图和相关性。可以按 QP、字面召回、语义召回、相关性标注、排序指标、位置偏置来准备。电商搜索还要补商品结构化属性和 GMV 目标。

广告算法CTR/CVR、竞价机制、预算控制和混排

广告算法除了模型，还会问业务机制：eCPM 排序、GSP/VCG、Pacing、频控、ROI、广告和自然结果混排。回答时要同时照顾用户体验、广告主收益和平台收益。

多目标CTR、CVR、时长、GMV、留存之间的冲突

准备 MMOE、PLE、ESMM、AITM、loss 加权、梯度冲突和线上融合。不要只讲模型结构，还要讲目标冲突如何被发现、如何离线评估、如何在线实验。

系统设计从离线训练到在线 Serving 的工程链路

系统题可以固定用一套骨架：数据采集、样本生成、特征平台、离线训练、模型发布、在线召回排序、A/B 实验、监控和降级。关键是把延迟、吞吐、一致性和可回滚讲清楚。

手撕代码AUC、TopK、LRU、Attention、负采样和实验分流

搜广推手撕题常混合算法基本功和业务实现。建议优先准备 AUC/GAUC、TopK、AB 分流、矩阵分解、Attention forward、负采样、LRU 和滑动窗口统计。