小红书AI推荐算法面试经历：多目标优化+冷启动+实时推荐全考察

背景介绍

先说下我自己，本科统计，硕士学了机器学习，毕业后在一家电商公司做了2年推荐算法工程师，主要做商品推荐的召回和排序。小红书的推荐系统在国内内容平台里算做得非常好的，尤其是他们的社区氛围和个性化推荐，所以一直很想去看看他们是怎么做的。

投的是小红书AI推荐算法工程师岗位，base上海。整个面试流程大概两周，三轮技术面，节奏比较紧凑。小红书的面试很有特色，特别注重对推荐系统全局的理解，不是只盯着一个环节问。下面详细复盘。

面试流程复盘

一面：推荐基础+协同过滤

一面的面试官是个很干练的小姐姐，应该是推荐组的核心开发。上来先让我自我介绍，然后直接开始问推荐系统基础。

第一个问题：推荐系统的整体架构是怎样的？我从召回（多路召回：协同过滤、内容匹配、热门、向量召回）、粗排（双塔模型快速打分）、精排（深度模型精确排序）、重排（多样性+业务规则）四个阶段说了。面试官追问了为什么需要粗排，我说精排模型太重，不能对全量候选打分，粗排用轻量模型快速过滤，把候选集从万级缩到千级。

然后重点聊协同过滤：User-CF和Item-CF的区别？各适合什么场景？我说User-CF基于用户相似度推荐，适合用户数少于物品数、兴趣变化快的场景（如新闻推荐）；Item-CF基于物品相似度推荐，适合物品数少于用户数、兴趣稳定的场景（如电商推荐）。面试官追问了相似度计算方法，我提到了余弦相似度、皮尔逊相关系数、以及Jaccard系数。

问了一个矩阵分解的问题：ALS和SVD的区别？隐语义模型的原理？我说SVD需要完整矩阵，不适合稀疏场景；ALS交替最小二乘法，固定一方优化另一方，适合隐式反馈。隐语义模型就是把用户-物品矩阵分解为用户隐向量矩阵和物品隐向量矩阵的乘积，通过隐向量捕捉潜在因子。面试官追问了正则化项的作用，我说防止过拟合，限制隐向量的大小。

还问了一个实操题：协同过滤的冷启动问题怎么解决？我说了几个方向：新用户用人口统计学特征做推荐、新物品用内容特征做相似度计算、用热门物品做兜底、以及利用跨域信息。面试官对跨域推荐比较感兴趣，追问了具体怎么做。

一面大概50分钟，面试官说"对推荐的理解很全面"，让我准备二面。

二面：多目标优化+冷启动

二面的面试官明显更资深，问的问题也更偏实际业务挑战。

先问多目标优化：推荐系统中为什么要做多目标优化？怎么做？我说推荐系统不只是优化点击率，还要考虑转化率、停留时长、分享率、收藏率等多个目标。方法上，我提到了几种：线性加权（简单但权重难调）、帕累托优化（多目标进化算法）、以及目前最主流的——多任务学习（Shared-Bottom、MMOE、PLE）。面试官追问了MMOE和PLE的区别，我说MMOE用多个专家网络和门控机制，不同任务通过门控选择不同的专家组合；PLE在MMOE基础上增加了任务特定的专家网络，进一步减少任务间的负迁移。

然后聊冷启动：新用户的冷启动推荐怎么做？我说了几个层次：第一层用注册信息（年龄、性别、地域）做人群聚类推荐；第二层用短期行为（前几次交互）快速建模；第三层用强化学习做探索-利用平衡。面试官追问了探索策略，我提到了epsilon-greedy、UCB、Thompson Sampling，以及更实用的——用bandit算法做兴趣探索。

出了一个系统设计题：设计一个内容平台的推荐系统，要同时考虑用户体验和创作者激励。这个题很有小红书的特色。我说了几个关键设计：多目标排序（用户体验指标+创作者曝光公平性）、流量分配机制（新创作者流量扶持、优质内容加权）、以及生态调控（防止头部垄断、鼓励中腰部创作者）。面试官追问了怎么衡量创作者公平性，我提到了Gini系数和曝光分布的均匀度。

还问了一个比较新的方向：大模型对推荐系统的影响？我说了几个方面：用户画像（用LLM做深度理解）、生成式推荐（直接生成推荐列表）、推荐解释（生成推荐理由）、以及LLM做特征工程。面试官对生成式推荐比较感兴趣，追问了P5和GPT4Rec的思路。

二面大概60分钟，聊得很有深度。

三面：实时推荐+项目深挖

三面是推荐团队的负责人，压力比较大。这轮主要聊实时推荐和项目经历。

先问实时推荐：实时推荐和离线推荐的区别？实时推荐的技术挑战？我说离线推荐是批处理，用全量数据训练模型，延迟高但效果好；实时推荐是流式处理，用实时特征和在线学习，延迟低但一致性难保证。技术挑战包括：实时特征计算（流式特征引擎）、模型在线更新（增量学习/在线学习）、以及特征一致性（线上线下特征对齐）。面试官追问了线上线下特征不一致怎么解决，我说用特征日志（feature log）回放验证，以及统一特征计算框架。

然后聊在线学习：在线学习的FTRL算法了解吗？我说FTRL（Follow-The-Regularized-Leader）是Google提出的在线学习算法，结合了OGD的稀疏性和RDA的精度，通过L1正则化实现特征选择，适合大规模稀疏特征的在线更新。面试官追问了FTRL和SGD的区别，我说SGD的权重不稀疏，FTRL通过正则化和累积梯度实现稀疏解。

深挖项目：你做的推荐项目，怎么评估效果？我说了离线评估（AUC、NDCG、Hit Rate）和在线评估（AB测试，看点击率、转化率、停留时长等业务指标）。面试官追问了AB测试的注意事项，我说要注意样本量（统计显著性）、实验周期（周期效应）、以及分流策略（用户级分流、避免溢出效应）。

还问了一个业务题：小红书的推荐和电商推荐有什么不同？我说了几个关键差异：小红书是内容+社区，推荐要兼顾内容消费和社交互动；电商推荐目标明确（转化），小红书的目标更多元（发现、种草、分享）；小红书有双列feed，需要考虑图文搭配和浏览节奏；而且小红书的用户更偏探索型，兴趣更分散。面试官对这个分析很认可。

三面大概55分钟，面试官最后说"分析得很到位"，让我等HR面。

真题汇总

1. 推荐系统的整体架构？

2. User-CF和Item-CF的区别？

3. ALS和SVD的区别？隐语义模型的原理？

4. 协同过滤的冷启动怎么解决？

5. 为什么要做多目标优化？怎么做？

6. MMOE和PLE的区别？

7. 新用户的冷启动推荐怎么做？

8. 设计内容平台的推荐系统（用户体验+创作者激励）？

9. 大模型对推荐系统的影响？

10. 实时推荐和离线推荐的区别？

11. FTRL算法的原理？

12. 推荐项目怎么评估效果？AB测试注意事项？

13. 小红书推荐和电商推荐有什么不同？

心得建议

1. 全局理解很重要：小红书的面试特别看重你对推荐系统全局的理解，从召回到重排，每个环节的作用和trade-off都要清楚。

2. 多目标优化是重点：内容平台的推荐一定是多目标的，MMOE、PLE这些方法要深入理解，不能只停留在概念层面。

3. 冷启动要有思路：冷启动是推荐系统的经典难题，面试必问。新用户、新物品、新场景的冷启动方案都要有。

4. 实时推荐是加分项：实时特征、在线学习这些进阶知识，掌握了就是加分项。

5. 了解业务特点：不同平台的推荐有不同的挑战，面试前一定要了解目标平台的业务特点和推荐难点。

FAQ

Q：推荐算法岗位需要什么背景？
A：机器学习基础+推荐系统知识+工程能力。推荐是算法和工程的深度结合。

Q：没有推荐经验怎么准备？
A：读《推荐系统实践》和《Recommender Systems》教材，然后做几个推荐相关的项目。

Q：小红书推荐的技术栈？
A：Python算法，TensorFlow/PyTorch训练模型，Go做在线服务，Kafka+Flink做实时特征，自研推荐引擎。

Q：面试难度如何？
A：中等偏上，一面偏基础，二面偏多目标和冷启动，三面偏实时推荐和业务理解。

Q：推荐算法的发展前景？
A：很好。大模型正在重塑推荐系统，生成式推荐、LLM增强推荐都是新方向。