面灵AI→

字节剪映推荐算法一二面面经(原帖未记录具体题目)

轮次
一二面
时间
2026-11
来源
牛客网

《面试题目》

原帖正文未记录具体面试题目,仅有以下话题标签:

  1. #互联网大厂#
  2. #算法#
  3. #算法岗面经#
  4. #大模型#
  5. #发面经攒人品#

《参考解析》

这条记录能提供什么:只有「公司 + 部门产品(剪映)+ 岗位方向(推荐算法)+ 轮次(一二面)+ 时间(2026 年 11 月)」五个事实,可用于判断该团队在秋招后期仍在推进面试、以及这条线考察的是推荐算法而非纯大模型工程。具体题目无从得知,不应据此推测。

推荐算法岗一二面的常规结构(通用准备方向,非本帖内容):一面偏基础与 coding——手写或口述常见算法题(数组、链表、二分、动态规划、TopK)、推荐系统基础(协同过滤、矩阵分解、双塔召回、粗排精排重排的分层与目标)、特征工程(特征穿越、实时特征、embedding 处理)、以及项目细节追问;二面偏系统与深度——从业务指标反推模型设计(CTR / 时长 / 多样性如何权衡)、样本与标签设计(负采样、延迟反馈、位置偏差)、线上服务(召回通道、打分性能、A/B 实验与指标显著性)、以及一道中等难度的 coding 或场景设计。

剪映这类内容产品的特殊性:剪映是工具型产品,推荐场景通常不止「看什么」,还包括模板推荐、素材推荐、教程与活动分发,目标往往是「帮助用户完成创作」而不是单纯延长消费时长;因此指标上会同时看创作完成率、模板使用率、次周留存,模型上常见多目标融合与约束优化(多样性、冷启动、创作者生态)。准备这类岗位时,把自己项目里的「优化了什么指标、怎么定义、离线与线上是否一致」讲清楚,比背模型结构更有区分度。

只有标签的面经怎么用:把它当作时间线与岗位信号,不要从里面提炼「必考题」。真正有效的是去找同一团队、同一岗位在有正文记录的其他面经,交叉比对重复出现的题目;单条无正文的记录只用于确认流程仍在进行。