美团推荐算法研究员面试题精选：10道高频考题+答案解析（附PDF）

美团简介

美团作为中国领先的生活服务电子商务平台，拥有外卖、到店、酒店旅游、出行等多元化业务。在推荐算法领域，美团面临海量用户行为数据、复杂业务场景（如外卖推荐、酒店推荐、到店推荐等）和高并发实时性要求。美团推荐算法面试注重候选人对推荐系统全链路理解、深度学习模型原理掌握以及业务场景结合能力。

题目列表（10道）

题目1：推荐系统的召回、粗排、精排、重排分别是什么？为什么要分层设计？

题目描述：请解释推荐系统四层架构（召回、粗排、精排、重排）的核心职责，并说明为什么需要这种分层设计而不是直接精排？

答案要点：

召回层从海量候选集中快速筛选出几千个相关物品，常用协同过滤、向量检索等技术。粗排层对召回结果进行初步排序，平衡精度和效率。精排层使用复杂模型进行精准打分排序。重排层考虑多样性、新鲜度等业务规则进行最终调整。

分层设计的核心原因有三点：首先是效率考虑，从亿级候选集直接精排计算量过大；其次是精度与效率的平衡，不同层级使用不同复杂度的模型；最后是业务灵活性，各层可以独立优化和迭代。

扩展提示：在实际面试中，可以结合美团外卖场景举例，比如如何设计一个外卖推荐系统的四层架构，每层具体使用什么算法和技术。

题目2：协同过滤的原理是什么？User-based和Item-based有什么区别？

题目描述：请解释协同过滤的基本原理，并详细说明User-based CF和Item-based CF的区别、优缺点及适用场景。

答案要点：

协同过滤基于"相似用户喜欢相似物品"或"相似物品被相似用户喜欢"的假设。User-based CF计算用户相似度，为目标用户推荐其相似用户喜欢的物品。Item-based CF计算物品相似度，为用户推荐与其历史喜欢物品相似的物品。

User-based CF适合用户兴趣相对稳定的场景，但用户相似度计算开销大，冷启动问题严重。Item-based CF计算效率高，物品相似度相对稳定，但难以发现用户的新兴趣。美团外卖推荐中，Item-based CF常用于"买了这个菜的人也买了"的推荐。

代码示例：