IT 面试题库

工业级推荐系统为什么拆成「召回→粗排→精排→重排」多级漏斗?每一级各自解决什么问题?

高级简答题推荐算法工程师算法工程师数据科学家召回粗排精排重排

题目

考察推荐漏斗架构的动机与各级职责边界。

参考答案

内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 51 天前更新 · 技术内容可能随版本变化,建议结合官方文档理解

结论

物品库是百万到亿级,而一次请求的算力预算只有几十毫秒——对全库跑大模型不可能。因此用漏斗分级削减:每级「范围更小、模型更精」,在算力约束下逼近全局最优。

四级职责

  1. 召回:全库 → 数千~万级。多路并存取并集:双塔向量召回(ANN 检索)、协同过滤、热门/新品/地域/运营位等;追求高召回率、低时延,宁滥勿缺;
  2. 粗排:万级 → 千级。轻量模型(双塔内积、蒸馏小模型)快速打分,关键是与精排目标对齐,否则初筛就把好内容筛掉了;
  3. 精排:千级 → 几百。全特征复杂模型(DIN、MMoE 多目标)逐条精算 CTR/CVR/时长等预估分,追求准;
  4. 重排:几百内做 List-wise 层面优化:打散(同作者/同品类滑动窗口)、多样性(MMR/DPP)、业务规则(已购去重、置顶、频控)、E&E 探索。

级联的代价与演进

面试变体:给各级候选量与单条耗时,问瓶颈在哪级——先算「单条时延 × 候选数」再对齐时延预算。
练这道题

同分类 · 高频题

题目与答案就在本页;收藏、批注和错题重练在应用内

这道题看完了?连刷同类题,趁热打铁效果最好 进入刷题