腾讯算法岗面经合集：推荐样本、多目标优化与特征交叉

《面试题目》

面经 01 · 算法岗（2026-04-12）

1. 这里推荐用的是公开的数据集做的是吧？详细介绍下数据集？
2. 数据集中的评价是文本类的评价吗？
3. 因为你是做推荐，你肯定用到了不同维度的特征嘛，介绍下所用的特征？
4. 针对这种数据你是怎么去编码，以及训练的方法？
5. 怎么理解这里的正样本和负样本？
6. 正负样本的比例大概是多少呢？
7. 训练数据总共用了多少？训练了多久？
8. embedding 的初始化方法？
9. 多目标优化模型有了解哪些？详细介绍下。
10. 手撕：颜色分类（Hot100）。

面经 02 · 算法岗（2025-12-15）

11. 最长递增子序列的变种题型。
12. 手撕：二叉树公共祖先问题。
13. 对其他特征交叉类模型的了解程度。

《参考解析》

正负样本的定义、比例与采样陷阱。 正负样本的定义取决于业务目标：做点击率就「曝光且点击」为正、「曝光未点击」为负；做转化就把「点击未下单」当负例或直接建成 ESR（曝光-点击-转化）的样本空间；做推荐召回时正例是「用户真实交互过的 item」，负例是全局随机采样的物品。比例本身不是关键，分布才是——线上真实点击率可能只有百分之几，训练时如果按 1:1 采样，模型学到的先验严重偏高，上线后必须做校准（用 p/(p + (1−p)/w) 之类的重加权，或直接对输出做 logistic 校正）。负采样策略也有讲究：全是随机负例会让模型只会粗筛，要掺入曝光未点击和「被召回但最终没交互」的 hard negative，但 hard negative 掺多了会引入假负例（用户其实会点、只是没曝光）。数据侧最容易出事的是时间穿越：特征必须只由预测时点之前的信息算出，训练/验证要按时间切分而不是随机切分，否则线下 AUC 好看、线上崩。

特征编码与 embedding 初始化。 特征按类型分开处理：类别特征（用户 ID、物品 ID、类目、城市）走词表或哈希映射到 embedding 查表，低频类别要设兜底桶并做频次截断；数值特征（价格、时长、年龄）可以分桶离散化后查 embedding，也可以归一化后过一层 MLP 再与类别特征拼接，分桶的好处是引入非线性、坏处是损失精度，实践中不少模型两者都给。多值特征（标签、历史行为序列）常用 pooling 或 target attention 聚合成定长向量。embedding 初始化常见的是小方差正态分布或均匀分布，Xavier/He 初始化在稀疏 ID 特征上并不一定最优；Adam 配合稀疏特征最好用 sparse 梯度更新，否则没被激活的 embedding 会被动量项带着漂移。有文本或图像 side information 时，可以用预训练语义向量初始化 embedding，冷启动阶段明显更稳。训练方法的追问一般落在目标函数与采样上：CTR 用交叉熵，召回的 softmax 在物品量级大时用 sampled softmax 或 in-batch negative（要处理同 batch 内热门物品的采样偏差），双塔还可以加温度系数控制分布锐度。

多目标优化模型：MMoE、PLE 与 ESMM。 多目标建模要解决两个不同的问题。一是「多个目标之间样本空间不一致」——典型是 CVR：只有点击过的样本才进入转化模型，直接用点击样本训练会有严重的样本选择偏差，ESMM 的解法是把 pCTCVR = pCTR × pCVR 放在全曝光样本上学，CVR 塔只在连乘里被间接监督，从而在无偏的样本空间上训练。二是「多个目标互相冲突」——共享底层在有负相关任务时会互相拖累，MMoE 用多个专家加任务自己的 gate 做软共享，让每个任务自己决定从哪些专家取信息；PLE 进一步把专家分成共享专家和任务特有专家，缓解跷跷板效应。答题时要能说出取舍：任务相关性高、数据量小时硬共享（shared-bottom）就够，任务冲突明显或量级差异大时才上 MMoE/PLE；融合层按业务价值加权（如按转化价值折算成 eCPM）而不是简单预测分数相加；还要提一句线上要盯每个目标的独立指标，避免一个目标涨、另一个目标被牺牲却看不出来。

特征交叉类模型与 Wide&Deep 家族。 特征交叉的价值在于给线性模型补上非线性交互，也让深层网络省掉从零学组合的力气。Wide&Deep 是最经典的组合：Wide 侧吃人工构造的交叉特征负责「记忆」高频共现，Deep 侧吃 embedding 负责「泛化」没见过的组合，两边输出相加过一层 sigmoid。后续演进都在「怎么少写人工特征」上做文章：DeepFM 用 FM 的二阶项替换 Wide 侧，自动学二阶交叉，不再需要人工设计；DCN 系列用显式的 cross network 做高阶交叉（x_{l+1} = x0 · x_lᵀ · w + b + x_l），order 可控且参数量小；xDeepFM 的 CIN 做 vector-wise 的显式高阶交叉；AutoInt 用多头注意力自己学交叉。答题时别只背名字，要讲清三件事：交叉是显式还是隐式、能到几阶、以及工程成本（参数量、显存、线上延迟）。面试官问「你们线上为什么选它」，想听的是「业务特征以稀疏类别为主、需要强记忆，所以 Wide 侧保留了人工交叉 + Deep 侧兜冷启动」这类有依据的选择，而不是哪个模型更新。

手撕「颜色分类」：三指针一次遍历。 这是荷兰国旗问题，要求原地、O(n)、O(1)：用 cur 从左往右扫，left 指向已确定的 0 区右边界，right 指向已确定的 2 区左边界。遇到 0 就和 left 交换、left++、cur++；遇到 2 就和 right 交换、right--（注意此时 cur 不动，因为换过来的元素还没检查过，这是最容易写错的一行）；遇到 1 直接 cur++。循环条件是 cur <= right。面试时不要只写代码，先说清循环不变量——[0, left) 全是 0、(right, n) 全是 2、[left, cur) 全是 1——不变量立住了，边界条件自然就对了。常见的追问是改成三路快排的 partition（用来处理大量重复元素的排序场景，可以把重复键一次到位、避免快排退化到 O(n²)），以及如果颜色不是 0/1/2 而是任意分组怎么做（计数排序两遍扫描）。