网易云音乐推荐算法面试经历：召回+排序+重排全链路考察

背景介绍

我做推荐算法2年了，之前在一家内容平台做推荐系统的开发，主要负责召回和排序模块的迭代。平时接触最多的是双塔模型、DeepFM、DIN这些经典模型，也做过一些特征工程和AB实验的工作。网易云音乐推荐算法岗位是我一直想去的，毕竟网易云的推荐在业内口碑很好，"每日推荐"和"私人FM"的用户体验都很棒。

我是通过猎头推荐的，岗位是推荐算法工程师。大概一周后收到了面试邀请。整个流程是三轮技术面，周期大概两周半。

面试流程复盘

一面：机器学习基础+特征工程（约65分钟）

一面面试官是推荐组的核心算法工程师，开场先让我自我介绍，然后问了几个机器学习基础问题。

机器学习基础：面试官问了LR和SVM的区别，我从模型形式、损失函数、核技巧几个角度讲了。然后问了过拟合的解决方案，我说了正则化、Dropout、数据增强、早停等。面试官追问了L1和L2正则化的区别，我从贝叶斯先验（L1对应拉普拉斯先验、L2对应高斯先验）和优化特性（L1产生稀疏解）两个角度回答了。然后问了一个比较深入的问题：为什么深度学习中L2正则化比L1更常用？我从梯度特性和权重衰减的角度解释了。

特征工程部分：面试官问了我对特征工程的理解，以及推荐系统中有哪些常用的特征类型。我分了用户特征、物品特征、上下文特征、交叉特征四类来讲。面试官对交叉特征特别感兴趣，让我讲了特征交叉的方法，从人工交叉、FM/FFM到DeepFM和DCN的自动特征交叉，我详细对比了各种方法的优劣。然后问了一个实际的问题：如何处理类别型特征？我讲了One-Hot、Embedding、Target Encoding、Hash Encoding几种方法，以及各自的适用场景。

评估指标部分：问了推荐系统常用的评估指标，我讲了离线指标（AUC、NDCG、Hit Rate）和在线指标（CTR、CVR、停留时长）。面试官追问了AUC的物理含义，以及AUC和线上CTR提升的关系，我说了AUC衡量的是正样本排在前面的概率，但AUC提升不一定等比例转化为线上CTR提升，因为存在位置偏差等因素。

一面结束面试官说"基础不错，特征工程有实战经验"，我感觉还不错。

二面：推荐系统架构+多目标优化（约80分钟）

二面是整个面试最核心的一轮，面试官是推荐系统的架构师。

推荐系统架构部分：面试官让我画一个完整的推荐系统架构图，从召回、粗排、精排、重排四个阶段讲了。面试官对召回阶段特别关注，让我详细讲了多路召回的策略，包括协同过滤召回、向量召回（双塔模型）、热门召回、标签召回等。然后追问了向量召回的实现细节，从ANN检索（HNSW、IVF-PQ）到双塔模型的训练方式（In-batch Negative、Hard Negative），我详细讲了。面试官又问了一个关键问题：召回和排序的目标不一致怎么处理？我讲了召回注重覆盖率、排序注重准确率，以及如何通过样本采样策略来对齐。

多目标优化部分：面试官问了一个很实际的问题：推荐系统通常需要同时优化点击、点赞、收藏、分享等多个目标，如何做多目标优化？我讲了Shared-Bottom、MMoE、PLE三种架构，详细对比了它们的优劣。面试官对MMoE的Expert选择机制很感兴趣，让我讲了门控网络的作用和训练方式。然后问了一个进阶问题：多目标优化中不同目标的Loss量级差异很大，怎么处理？我讲了GradNorm、Uncertainty Weighting、Dynamic Weight Average等Loss加权方法。

冷启动问题：面试官问了新用户和新物品的冷启动怎么解决。新用户方面，我讲了基于人口统计学特征的推荐、热门推荐、兴趣探索策略。新物品方面，我讲了基于内容特征的推荐、EE策略（如LinUCB）、元学习等。面试官追问了EE策略中Exploration和Exploitation的平衡，我讲了UCB和Thompson Sampling的原理。

二面聊了80分钟，信息量很大，但面试官的引导也很好，不会让人完全答不上来。

三面：项目深挖+AB实验（约70分钟）

三面面试官应该是推荐部门的技术负责人，问题更偏向实战和思考深度。

项目深挖：面试官让我讲一个最有影响力的推荐项目。我选了之前做的一个召回模型升级项目，从原来的ItemCF升级到双塔向量召回，讲了模型设计、训练策略、线上部署、效果评估的完整过程。面试官对线上部署的细节很感兴趣，问了向量索引的构建和更新策略、A/B测试的分流方案、模型更新的灰度发布。然后问了我遇到的最大挑战是什么，我讲了一个负样本采样策略的调优过程——从随机负采样到Hard Negative Mining，最终离线Recall@50提升了15%。

AB实验部分：面试官问了我对AB实验的理解，包括分流策略、指标选择、显著性检验。我讲了用户级分流的优点、互斥实验和正交实验的区别、以及如何用t-test判断实验结果的显著性。面试官追问了一个关键问题：如果AB实验的指标互相矛盾怎么办？比如点击率提升了但停留时长下降了。我讲了需要定义核心指标和护栏指标，核心指标提升且护栏指标不降才上线。面试官还问了一个实际场景：如果实验组样本量不够怎么办？我讲了流量放大、延长实验周期、CUPED方差缩减等方法。

综合考察：面试官问了我对推荐系统发展趋势的看法，我聊了大模型+推荐、端上推荐、隐私计算三个方向。然后问了职业规划，为什么选择网易云音乐。最后问了一个开放题：如果让你从零搭建一个音乐推荐系统，你会怎么做？我从数据采集、特征构建、模型选型、AB实验体系四个层面回答了。

真题汇总

1. LR和SVM的区别？

2. L1和L2正则化的区别？为什么深度学习中L2更常用？

3. 推荐系统中有哪些常用的特征类型？

4. 特征交叉的方法有哪些？从人工交叉到自动交叉？

5. 如何处理类别型特征？

6. AUC的物理含义？AUC和线上CTR提升的关系？

7. 画一个完整的推荐系统架构图？

8. 多路召回的策略？向量召回的实现细节？

9. 召回和排序的目标不一致怎么处理？

10. 多目标优化的架构？Shared-Bottom、MMoE、PLE的对比？

11. 多目标优化中Loss量级差异怎么处理？

12. 新用户和新物品的冷启动怎么解决？

13. EE策略中Exploration和Exploitation的平衡？

14. AB实验的分流策略和显著性检验？

15. AB实验指标互相矛盾怎么办？

16. 从零搭建一个音乐推荐系统？

心得建议

1. 机器学习基础要扎实：推荐算法面试不是只会调包就行，面试官会追问底层原理。LR、SVM、树模型、深度学习基础这些都要能讲清楚。建议读《统计学习方法》和《Deep Learning》。

2. 推荐系统全链路要理解：不能只懂排序模型，召回、粗排、重排、AB实验这些都要了解。建议读《Recommender Systems: The Textbook》和美团技术团队的推荐系统博客。

3. 多目标优化是高频考点：大厂推荐系统几乎都是多目标的，MMoE、PLE这些架构要能讲清楚原理和适用场景。建议读原论文，理解实验设计和消融实验。

4. AB实验要有实战经验：推荐系统的迭代离不开AB实验，分流策略、指标体系、显著性检验这些是基本功。建议在实际项目中积累AB实验经验。

5. 关注前沿技术：大模型+推荐、对比学习在推荐中的应用、隐私计算这些新方向在面试中经常被问到。建议关注KDD、RecSys、WWW等顶会的最新论文。

FAQ

Q：网易云音乐推荐算法面试对编程要求高吗？

A：有一定要求。一面会问一些Python编程题，比如实现一个简单的协同过滤算法。但不会问LeetCode那种算法题，更偏实用性。

Q：没有推荐系统经验能过吗？

A：比较难。网易云推荐岗位明确要求有推荐系统开发经验。如果只有通用机器学习经验，建议先做一个推荐系统的项目，比如用MovieLens数据集搭建一个完整的推荐Pipeline。

Q：面试会问数学推导吗？

A：会。我这次被要求推导了FM的公式和Softmax的梯度。建议准备一些常见模型的数学推导。

Q：网易云推荐团队的技术氛围怎么样？

A：据我了解，网易云推荐团队的技术氛围很好，经常有论文分享和技术讨论。面试官也提到团队鼓励发论文和参加顶会。