字节跳动系统设计面试真题：设计抖音推荐系统的完整思路

字节跳动系统设计面试真题：设计抖音推荐系统的完整思路

背景介绍

我是在2024年3月面的字节跳动，岗位是后端开发工程师，3年经验。说实话，字节的系统设计面跟我想象的完全不一样——不是那种"画个架构图就完事"的套路，而是真的会追着你问细节，问到你答不上来为止。我面的这个组正好是抖音推荐方向，所以面试官直接让我设计抖音的推荐系统。当时我紧张得手心都在出汗，但好在之前准备过推荐系统的通用方案，所以还是硬着头皮撑下来了。下面是我对这次面试的完整复盘。

面试流程复盘

面试官是一位看起来三十出头的工程师，自我介绍说是抖音推荐架构组的。整个面试大概50分钟，节奏非常紧凑。

前5分钟：面试官简单介绍了面试流程，然后直接进入正题："请你设计一个类似抖音的短视频推荐系统。"我按照之前准备的框架，先问了一堆需求澄清的问题。

5-15分钟：需求澄清阶段。我问了以下几个关键问题：

1. 用户规模？——面试官说"假设日活3亿"。

2. 推荐目标？——"最大化用户观看时长和互动率"。

3. 实时性要求？——"用户刚看完一个视频，下一个视频就要能反映这个行为"。

4. 冷启动怎么处理？——"新用户和新视频都要考虑"。

5. 内容安全？——"需要内容审核机制"。

面试官对我问的这些问题似乎比较满意，点了点头说"继续"。

15-35分钟：这是最核心的环节，我按照召回→排序→重排三层架构来讲解。面试官在每个环节都追加了深入的问题，比如"协同过滤的冷启动怎么解决？""精排模型用的什么？""怎么保证推荐多样性？"我逐一回答，有些回答得比较流畅，有些则磕磕绊绊。

35-45分钟：面试官开始追问工程实现细节，比如"特征怎么实时更新？""A/B实验怎么做？""怎么处理视频的embedding？"这部分我觉得自己回答得一般，有几个点确实没想清楚。

最后5分钟：面试官让我问问题，我问了团队的技术栈和推荐系统的迭代节奏。

真题汇总：设计抖音推荐系统

一、整体架构设计

我画了一个三层架构图：召回层（Recall）→排序层（Ranking）→重排层（Re-ranking）。面试官看了一眼说"基本框架没问题，展开讲讲每一层"。

二、召回层设计

召回层的目标是从数亿条视频中筛选出几千条候选集。我设计了四路并行召回：

1. 协同过滤召回：基于用户行为矩阵，用ItemCF找到相似视频。面试官追问"冷启动怎么办"，我回答新视频先走内容召回，积累足够行为数据后再加入协同过滤池。

2. 内容召回：基于视频的标签、分类、embedding做相似推荐。这里我提到了用双塔模型分别提取用户特征和视频特征，然后做向量内积。面试官追问"向量检索用什么"，我回答FAISS或HNSW，支持十亿级向量的毫秒级检索。

3. 热门召回：按地区、时段统计热门视频，保证新用户也能看到优质内容。面试官追问"怎么避免信息茧房"，我回答热门召回只占候选集的一小部分（约10%），并且会加入随机探索机制。

4. 社交召回：关注的人看过的视频、好友点赞的视频。这个召回路径的点击率通常最高，但覆盖面有限。

面试官对召回层的设计基本认可，但指出了一个我遗漏的点：召回去重。用户看过的视频、不感兴趣的视频需要在召回阶段就过滤掉，否则会浪费排序层的计算资源。

三、排序层设计

排序层的目标是从几千条候选中精选出几百条。我分了粗排和精排两步：

1. 粗排：用轻量级模型（如双塔模型）快速打分，把几千条候选缩减到几百条。核心要求是低延迟，每个视频的打分时间控制在1ms以内。

2. 精排：用深度学习模型（如DIN、DIEN、MMOE）做多目标优化。我详细讲了精排的几个关键设计：

- 多目标优化：同时预测点击率（CTR）、完播率、点赞率、评论率、分享率，最终用加权公式融合。面试官追问"权重怎么定"，我回答"通过线上A/B实验调优"。

- 特征工程：用户特征（历史行为序列、画像标签）、视频特征（时长、清晰度、标签embedding）、上下文特征（时间、网络、设备）。其中用户行为序列是最重要的特征，用Attention机制提取与当前候选视频相关的行为。

- 训练数据：用曝光未点击作为负样本，但要注意样本选择偏差问题。面试官追问"怎么解决"，我回答用随机负采样补充未曝光样本。

四、重排层设计

重排层的目标是在精排结果上做业务规则调整和多样性保证：

1. 多样性控制：用MMR（Maximal Marginal Relevance）算法，在相关性和多样性之间取平衡。避免连续推荐同类视频。

2. 业务规则：广告插入位、运营活动视频保量、敏感内容过滤。这些规则会覆盖模型排序结果。

3. 上下文调整：根据当前时间段（如深夜推助眠内容）、网络状态（弱网推短视频）做动态调整。

五、实时特征更新

这是面试官重点追问的环节。抖音推荐系统的核心优势是实时反馈——用户刚看完一个搞笑视频，下一条就要推类似的。

我的设计方案：用户行为→Kafka→Flink流式处理→特征更新→模型推理。

具体来说，用户的每次播放、点赞、划走行为都实时写入Kafka，Flink消费后更新用户的实时特征（如最近10条观看记录、当前session兴趣标签），更新后的特征写入Redis，精排模型推理时从Redis读取。

面试官追问"实时特征的延迟要求"，我回答"端到端延迟控制在500ms以内"。面试官又问"怎么保证这个延迟"，我提到了几个优化点：Flink用滚动窗口而非事件时间窗口减少等待；Redis用Pipeline批量读写；模型推理用GPU推理服务。

六、A/B实验平台

面试官问"你怎么验证推荐算法的效果"。我讲了A/B实验的设计：

1. 分层实验：召回层、排序层、重排层各有一层实验，不同层的实验正交，互不影响。这样召回层实验A和排序层实验B可以同时运行。

2. 流量划分：按用户ID哈希分桶，保证同一用户始终在同一组。实验组通常占5%-10%流量。

3. 指标监控：核心指标（人均观看时长、互动率）+护栏指标（负反馈率、举报率）。护栏指标不能恶化，否则实验立即回滚。

七、冷启动策略

新用户冷启动：注册时选择兴趣标签→热门召回+兴趣标签召回混合→快速积累行为数据→逐步切换到个性化推荐。

新视频冷启动：新视频先进入探索流量池（约5%流量），根据初始反馈决定是否扩大推荐。表现好的视频会逐步进入更大的流量池，类似"赛马机制"。

心得建议

1. 推荐系统的面试一定要按"召回→排序→重排"三层来讲，这是业界标准框架，面试官一看就知道你懂行。

2. 不要只讲算法，要讲工程实现。面试官更关心你怎么把模型落地，而不是模型本身有多先进。实时特征更新、A/B实验、冷启动这些工程问题才是区分度。

3. 主动提trade-off。比如"粗排用简单模型牺牲精度换延迟，精排用复杂模型牺牲延迟换精度"，这种表述非常加分。

4. 准备一些具体数字。比如"召回层从10亿筛选到5000，粗排从5000筛选到500，精排从500筛选到100"。有数字比纯文字更有说服力。

5. 字节的面评风格是"追到底"，面试官会一直追问直到你答不上来。这是正常的，不要慌，能答到什么程度就答到什么程度。

FAQ

Q：字节系统设计面一般面几轮？

A：通常2-3轮系统设计面，第一轮偏通用架构，第二轮偏具体业务场景，第三轮可能是跨领域的综合题。

Q：推荐系统面试需要了解哪些论文？

A：Deep Interest Network（DIN）、Deep Interest Evolution Network（DIEN）、Deep & Cross Network、Wide & Deep Learning。不用每篇都精读，但核心思想要能讲清楚。

Q：没有推荐系统经验怎么办？

A：可以从通用系统设计角度出发，把推荐系统拆解为"数据采集→特征工程→模型训练→在线服务"四个模块来讲解。面试官更看重你的系统设计能力，而不是推荐算法的专业知识。