Pinterest MLE 面经 2026：Ranking、推荐系统和 Ads ML

💡 核心要点 (Key Takeaways)

• Pinterest MLE 面试主轴是 ML System Design（推荐系统、Pins search、Ads ranking，Ranking 链路是核心）+ ML Coding（特征工程、Ranking 指标实现、ML 理论）+ 项目规模深挖 + BQ；Pin、Board、Policy 内容场景贯穿全程，policy / safety filter 是 Pinterest 特有的必答项。
• Ads ML 是 Pinterest MLE 的差异化考点：Ads 是核心营收来源，Ads 方向候选人会碰到 Ads ranking（eCPM = pCTR × bid、auction 机制、bid landscape）、impression serving、ad load 与用户体验 trade-off，要能讲业务闭环而不只是 pCTR 模型。
• 多目标 Ranking 和标签延迟是高频深挖点：save / share / click 是不同延迟的反馈信号，multi-task learning、label delay 处理、calibration、线上 guardrail 这套话术必须张口就来，只答单目标 CTR 会被判断为没做过真实推荐。
• Pins search 是 Pinterest 区别于其他推荐公司的特色题：视觉搜索（visual search / image embedding）+ 文本搜索混合，query 是显式意图、相关性是硬约束，不能把搜索当推荐答。
• 公开面经信号按「年份 + 级别 + 岗位」筛选、以 2-3 篇共识判断轮次结构（Pinterest 的 MLE 面经量相对比其他公司多，但个例仍要谨慎）；7 天保推荐 + Ads SD 和 ML Coding 下限，14 天补搜索、实验设计和项目深挖，30 天加深挖库和完整 mock。

这篇适合谁

这篇写给准备 Pinterest Machine Learning Engineer（MLE）面试的候选人，覆盖 Home feed / 核心推荐、搜索排序、Ads ML、内容安全 / policy 等方向，级别以社招中高级（Pinterest P50-P60，大致对标 Google L4-L5 / Meta E4-E5）为主，NG / Intern 的结构差异会在流程一节单独说明。文章基于 2026 年公开面经信号和 Pinterest 公开面试机制整理，各团队、级别、地区的轮次结构会有出入，以实际收到的邀请为准。

一句话定位：Pinterest MLE = ML System Design（推荐系统、Pins search、Ads ranking，Ranking 链路是核心）+ ML Coding（特征工程、Ranking 指标实现、ML 理论）+ 项目规模深挖 + BQ。Pin、Board、Policy 内容场景贯穿全程，准备的重点不是「刷了多少算法题」，而是「能不能把推荐 / 排序 / 广告系统讲成有数据闭环、有 policy 约束、有业务 trade-off 的线上服务，并且把项目规模与个人贡献讲清楚」。想看公司级完整题型清单（含 SWE、Data 方向），见 Pinterest 公司页；同时准备 SWE 岗位的，先看 Pinterest SWE 面经 区分两个岗位的题型重心，不要混着刷题。

面试流程：OA / Phone / VO / HM / Team Match 各轮是什么

Pinterest MLE 的主线流程是：投递 / 内推 → Recruiter Screen → OA（CodeSignal，NG 必考 / 部分社招）→ Phone Screen → Onsite / VO（4-5 轮）→ HM / Team Match → offer。公开信号里有两个特点要提前知道：MLE 方向的公开面经量相对比其他公司多（Pinterest 的 ML 团队规模大，推荐和 Ads 都是核心业务），但面经作者仍有幸存者偏差；VO 每轮时长偏长（多为 45-60 分钟）。各轮大致长这样：

• Recruiter Screen（30-45 分钟）：不考技术，聊动机、背景、级别期望和地点。MLE 岗位这轮常被问「你做过什么模型相关的工作」，要能一句话说清项目规模（user base、QPS、特征数量、模型延迟、影响的业务指标），「参与过推荐项目」这种颗粒度不够。
• OA / CodeSignal（约 90-120 分钟，2 题）：NG / Intern 基本必考，社招多数岗位在简历通过初筛后跳过。公开信号：题目偏数据处理和 coding（指标计算、日志聚合、图遍历），medium 难度，限时作答，偶尔带一道统计 / ML flavor 的题。以实际收到的邀请为准。
• Phone Screen（45-60 分钟）：常见结构是 1 道 medium Python coding（数据处理、特征工程、指标计算是高频方向）+ 简历深挖穿插，部分团队是纯 coding。考察的是无提示下能否完成第一版实现、把复杂度讲清楚，follow-up 常见「数据量 10 倍怎么优化」「再加一个实时约束」。
• Onsite / VO（4-5 轮，每轮 45-60 分钟，通常一天面完）：常见结构是 2 轮 ML Coding（其中常含一道 ML 理论或指标实现题）+ 1-2 轮 ML System Design（推荐系统、Pins search、Ads ranking 是高频方向）+ 1 轮 Behavioral。Ads ML 方向 team 的 SD 轮会直接考广告排序链路，内容安全方向 team 会加一轮 policy 模型相关的设计题。
• HM / Team Match：VO 通过后进入结果确认阶段：hiring manager 沟通方向（feed / search / Ads / safety）、level（P50 / P60）和 comp，跨组调剂（team match）也发生在这里，不再考技术，重点是双向确认团队方向和 scope。

题型雷达：ML Coding、ML System Design、Ads ML、SQL、BQ 各占多少

按 MLE 岗位把题型按出现频率排个雷达图：

• ML System Design（最高频，1-2 轮）：Pinterest MLE 最核心的环节，场景几乎都在 Pinterest 自己的业务线上——Home feed 推荐系统（retrieval → ranking → re-ranking 的多段链路，Ranking 是重点）、Pins search（文本 + 视觉混合搜索）、Ads ranking（eCPM 排序与 auction）。考点是业务约束（内容生态、用户体验、营收）→ 数据与特征 → 多段模型与延迟预算 → 评估与实验 → policy / safety 的完整闭环。Pinterest 特有部分是 policy / safety filter：内容审核要主动放进链路（re-ranking 层过滤、误杀怎么兜底、审核模型挂了怎么降级），不能只讲 happy path。通用结构框架可以看 ML System Design 专题，这里重点说 Pinterest 场景怎么落。
• ML Coding（1-2 轮）：Python 为主，两种风格。一种是数据 / 特征向：特征工程（Pin 行为序列、滑动窗口统计、时间特征、缺失值处理）、Ranking 指标实现（AUC / GAUC / NDCG / MRR，注意并列名次和时间切分防标签泄漏）。另一种是 ML 理论：loss function 对比（为什么 CTR 用 logloss）、log q correction、multi-task learning（save / share / click 多目标怎么联合训练）、two-tower 结构在 retrieval 里的取舍。难度 medium，follow-up 会加规模和边界情况。
• Ads ML（Ads 团队高频，核心营收方向）：Ads 是 Pinterest 的核心营收来源，Ads ML 方向候选人的 SD 和 coding 轮都带广告业务 flavor——Ads ranking（eCPM = predicted CTR × bid、GSP auction、reserve price、bid landscape）、impression serving（top-k 选择、延迟预算）、ad load 与用户体验的 trade-off、frequency capping、attribution 窗口、fraud detection。考的是业务闭环：营收指标（eCPM、fill rate）和体验 guardrail（ad load、负反馈率）怎么平衡、改动怎么用 A/B test 验证。
• 项目深挖（1 轮或穿插在 SD 轮）：model structure（为什么用 multi-task / two-tower / 树模型）、loss function、training 流程（数据、超参、收敛）、线上线下一致性、bad case review。项目深挖是 MLE 最区分度高的环节：user base、QPS、特征数、延迟这类规模数字要张口就来。
• SQL / 数据（中低频）：MLE 岗位一般不单独设 SQL 轮；增长、Ads 方向的候选人可能在 coding 轮被要求写实验指标聚合查询（window function、cohort、A/B 分组对比），不是主线，保基本盘即可。
• BQ / Behavioral（1 轮或每轮穿插）：高频方向：一次技术分歧（disagree but commit）、一次模型没达预期、一次主动扛下来的事、跨团队（产品 / policy / data）协作、为什么 Pinterest。准备 5-6 个 STAR 故事，每个能接两层追问；Pinterest 的 BQ 对跨团队协作（尤其涉及 policy / 内容安全）的口味偏重。

高频题目：8 个代表题型和考点

以下是 2026 年公开面经信号里反复出现的题「类型」，只归纳题型和考点，不复刻任何人的具体原题：

• Home feed 推荐系统设计（ML SD 最高频）：从零设计 Pinterest 的推荐 feed。考点：多路 retrieval（i2i、u2i、embedding ANN 召回）→ 精排（multi-task：save / share / click 多目标联合训练、label delay 处理、calibration）→ re-ranking（多样性、新鲜度、policy safety filter）；每段的延迟预算、冷启动（新 Pin / 新用户）、feedback loop（线上反馈怎么回流训练）。关键动作是先立业务约束（内容生态健康、用户长期留存），再讲模型怎么服务约束，顺序反了整轮都难救。
• Pins search 系统设计（Pinterest 特色题）：设计一个同时支持文本和视觉的 Pin 搜索。考点：query 理解（文本 query、以图搜图 / visual search、意图识别）、检索（倒排索引 + 多模态 embedding ANN）、Ranking（相关性 vs 多样性、freshness）、相关性评估（人工标注 + proxy metric）、policy filter（被屏蔽内容怎么过滤）。考点是和推荐的关键差异：query 是显式意图、相关性是硬约束，不能把搜索当推荐答；视觉搜索是 Pinterest 区别于其他推荐公司的差异化点，只讲文本检索会减分。
• Ads ranking 系统设计（Ads ML 核心）：设计广告排序和竞价链路。考点：eCPM = predicted CTR × bid 的排序逻辑、auction 机制（GSP vs GFP、reserve price）、bid landscape 估计、impression serving 的延迟预算（毫秒级）、ad load 控制、frequency capping、attribution 窗口。follow-up 常追「predicted CTR 实时怎么更新」「营收和用户体验冲突时怎么决策」（A/B + guardrail）。Ads 是核心营收，面试官要看到业务闭环，不是单点模型。
• Multi-task ranking 模型深挖：save / share / click 三类反馈信号的延迟完全不同（click 即时、save 延迟数分钟到数天），multi-task learning 结构怎么选（shared-bottom vs MMoE 这类）、label delay 怎么处理（delayed feedback model、proxy label）、多目标怎么加权（Pareto、业务权重）、calibration 为什么重要。考点是「做过真实推荐」的判断标准，只答单目标 CTR 会被一路追问到断片。
• ML Coding：Ranking 指标实现（高频）：实现 NDCG / MRR / GAUC / AUC。考点：代码能跑、指标口径正确（NDCG 的折损和并列名次、GAUC 按 user 分组加权）、主动交代边界情况（空列表、单一 user、时间切分防标签泄漏），follow-up 加规模时结构撑得住。
• ML Coding：特征工程（高频）：从 Pin 行为日志（user 对 pin 的 save / click / share，带时间戳）构造推荐特征：滑动窗口统计（最近 7 天 / 30 天行为）、兴趣聚合（pin 类目分布）、时间衰减、缺失值和冷启动处理。考点：口径先讲清再写（什么算一次有效行为、去重逻辑）、follow-up 追「特征要求秒级新鲜度怎么做到」（实时流 vs 离线批、training/serving 一致性）。
• ML 理论题：log q correction / logloss（math heavy）：为什么 CTR 用 logloss 不用 MSE（凸性、概率标定、梯度性质）、log q correction 的数学原理（曝光偏差 / 点击偏差纠正）、two-tower 为什么适合 retrieval（双塔解耦、ANN 检索的规模优势、表达力代价）。推导要能手写，直觉要能三分钟内讲完。
• BQ / 项目深挖方向：一个你主导的推荐 / 排序项目（目标、你的具体贡献、量化结果、最大取舍）、一次模型没达预期的经历、一次技术分歧、一次跨团队推动上线（产品 / policy / data）。每个故事要能接两到三层追问，规模数字（user base、QPS、特征数、延迟、影响指标）必须张口就来，bad case review 和离线线上 gap 的处理是加分项。

公开面经信号怎么读

一亩三分地等面经社区是 Pinterest MLE 面试信息最集中的公开来源，Pinterest 的 MLE 面经量相对比其他公司多（ML 团队规模大、推荐和 Ads 都是核心业务），但读法仍然决定它对你的价值。几个原则：

按「年份 + 级别 + 岗位」筛选。2026 年 P60 MLE 的信号和 2024 年 NG 的信号可能完全不一样（轮次结构、OA 题型、SD 深度都在变），优先看最近 2-3 篇。岗位必须对得上——SWE 的信号（数据聚合、Pin Graph、Sparse Matrix）对 MLE 参考价值有限，反过来 MLE 的 multi-task、log q correction 对 SWE 也没用，混着看会准备错方向。

找共识，不信个例。单篇面经说「全程就 5 轮」或「SD 只考了推荐」不能当结论；两到三篇独立帖子都提到「2 轮 ML coding + 1-2 轮 ML SD + 1 轮 BQ」「SD 高频方向是推荐、搜索、Ads ranking」「Ads 方向有 eCPM / auction 题」，这个结构才可信。面经作者有幸存者偏差（过的人爱写，挂的人少写），整体难度感知会偏乐观。

提取「轮次结构 + 题型方向 + 挂点」，忽略剧情。每篇面经真正有用的信息密度就这三样：每轮考什么类型、面试官追问到什么深度、作者觉得自己过 / 挂在哪。故事细节、情绪、对面试官的评价都不需要带进你的准备里。

不搬运、不暗示合作。本站所有 Pinterest MLE 面经内容都只归纳公开信号，不复制任何候选人的逐字面经，也不代表与任何面经社区有合作或转载关系。你读到的公开帖子请以原作者发布的内容为准。

常见挂点：Pinterest MLE 独有的失分方式

把公开面经里的挂因和模拟面试复盘对照，Pinterest MLE 特有的失分点集中在这几个：

• 只讲模型、不讲数据闭环：最 MLE 特色的挂点。SD 和深挖都停在「用了什么模型、AUC 提升多少」，答不出「特征多久更新一次、training/serving 怎么保持一致、线上反馈怎么回流训练、bad case 怎么 review」。Pinterest 面试官默认你在大规模推荐系统里工作过，离线建模话术直接减分。
• Multi-task 和 label delay 没准备：Pinterest 的推荐反馈天然是多目标 + 延迟信号（click 即时、save 延迟），答不出 label delay 怎么处理（delayed feedback model、proxy label、延迟窗口）会被判断为没做过真实推荐。这是区别于「只做过单目标 CTR 项目」的关键判断点。
• Ads 题只讲 pCTR 不讲业务闭环：Ads ranking 题只答「按 pCTR × bid 排序」，讲不出 auction 机制、ad load 和用户体验的 trade-off、frequency capping、attribution、guardrail 掉了怎么决策。Ads 是 Pinterest 核心营收，面试官要看到营收指标和体验 guardrail 的平衡逻辑，不是单点模型。
• SD 漏掉 policy / safety filter：推荐 / 搜索 SD 只讲 happy path（retrieval → ranking → 返回），不主动放内容审核层（在链路哪层过滤、误杀怎么兜底、审核模型挂了怎么降级）。Policy 场景贯穿 Pinterest 业务（内容安全是平台底线），这是区别于其他内容平台的必答题。
• 视觉搜索没准备：Pins search 题只讲文本检索（倒排索引 + 文本 embedding），对以图搜图 / 多模态检索只字不提。视觉搜索是 Pinterest 的招牌能力，公开信号里搜索题的 follow-up 经常落到「image embedding 怎么做、文本和视觉结果怎么融合」。
• Pin / Board 数据模型没建立：不知道 Pin 是原子内容单位、Board 是集合、User 有关注和 pin-board 归属关系，题目说「推荐相关 pin」时先花两三分钟澄清数据模型（特征从哪来、边是什么、可见性）再动手，是这类业务题的基本动作。
• 项目规模说不清：深挖问 user base、QPS、特征数、延迟时含糊带过（「我们团队做了」等于没说）。每个项目准备三层回答：概述（2 分钟）→ 规模与取舍（5 分钟）→ 反思与结果（3 分钟），数字做速查表。
• Coding 轮闷头写：45-60 分钟的轮次，读题澄清占 5-8 分钟之后闷头写。Pinterest 面试官更在意「边写边说」的过程（为什么选这个数据结构、指标口径为什么这么定），不说话是减分的，处理方法和节奏见 Pinterest SWE 面经 的挂点一节（SWE / MLE 的 coding 表达要求一致）。

准备路线：7 天 / 14 天 / 30 天

按你距 VO 的天数选路线。三个版本的共同原则：ML System Design（推荐系统 + Ads ranking）和项目规模深挖永远优先，ML Coding 和 ML 理论次之，BQ 保下限，最后两天只留 mock 和状态调整，不学新东西。

• 7 天（保下限版）：D1-D2 ML System Design：「Home feed 推荐系统」和「Pins search」各按「业务约束 → 数据 / 特征 → 多段模型与延迟预算 → 评估与实验 → policy filter」45 分钟结构完整走一遍，每遍计时，失败路径（冷启动、特征缺失、延迟超预算）必须主动交代；D3 Ads ranking：白纸上完整讲一遍 Ads 排序链路（eCPM、auction、ad load、frequency capping、A/B 验证），录音回听；D4 ML Coding 做 2 题（NDCG / GAUC 实现 + 行为日志特征工程），重点练指标口径和边界情况；D5 ML 理论：multi-task + label delay、log q correction、two-tower 取舍，推导手写一遍，每个三分钟内能讲完；D6 项目深挖 + BQ：主项目写三层答案（概述 → 规模与取舍 → 反思与结果），按「技术分歧、模型没达预期、跨团队（产品 / policy）、为什么 Pinterest」各写 1 个 STAR 故事，口述录音回听；D7 完整 mock 1 场（SD + coding + 10 分钟 BQ），录音复盘。
• 14 天（标准版）：在 7 天基础上——D8-D9 补 2 道 SD：Ads impression serving pipeline（实时特征、模型 serving、ad load 控制、日志与 attribution）和内容安全 policy 模型设计（re-ranking 层过滤、误杀兜底、降级），每道强制主动交代失败路径和评估方法；D10 把 D1-D2 做过的 2 道 SD 重做一遍，这次把「multi-task + label delay + training/serving consistency」写成主线而不是补充；D11-D12 ML Coding 再补 2 题（滑动窗口流式特征、A/B 指标 SQL 聚合）+ 1 道实验指标设计题（primary + guardrail）；D13 项目深挖扩到 2 个主项目 + mock 完整 loop（SD + coding + 深挖 + BQ 各一段）；D14 缓冲日，检查设备日程，早睡。
• 30 天（系统版）：在 14 天基础上——D15-D18 SD 扩场景：搜索相关性标注与评估、增长 / 留存模型、冷启动与 feedback loop 专项各 1 道，每道补三类 follow-up（规模放大、实时性、失败降级）并给出方案 + 取舍；D19-D21 实验设计专项：primary / guardrail 指标体系、novelty effect、spillover、指标回退诊断（「离线 AUC 涨线上掉」怎么排查），能在白纸上完整讲一遍；D22-D24 项目深挖库：3 个主项目各练三层追问（approach → 细节 → reflection），把「效果怎么衡量、bad case 怎么 review」的答案写成卡片，规模数字做成速查表；D25-D27 连续 2-3 场完整 mock（找真人或录音），重点看 follow-up 接没接住、边写边说的节奏、policy 环节有没有主动交代；D28 复盘 mock，把断片点写下来各补一段；D29-D30 缓冲日。

FAQ：Pinterest MLE 面试 5 个高频问题

Q1：Pinterest MLE 面经和其他公司 MLE 面经差别大吗？
差别集中在「内容平台 Ranking 链路 + Ads ML + policy safety」。SD 场景几乎都包在 Pin / Board / Policy 业务背景里（Home feed 推荐、Pins search、Ads ranking 是三大高频方向），multi-task 和 label delay 是深挖重点（save / share / click 是不同延迟的反馈信号）；Pins search 题带视觉搜索（visual search）是 Pinterest 特色；Ads 方向候选人还会遇到 eCPM、auction、ad load 这类广告业务闭环题；policy / safety filter 是推荐和搜索 SD 的必答题。和其他公司比（比如 TikTok 的 feature freshness、DoorDash 的 ETA 特征），Pinterest 的题目特点是「Ranking 链路完整度 + 业务约束（内容生态、营收、安全）能不能讲清」。公司级完整题型清单看 Pinterest 公司页。

Q2：Pinterest MLE 面试几轮？
社招通常是：Recruiter Screen（不考技术）→ OA / CodeSignal（约 90-120 分钟 2 题，NG 必考、部分社招岗位有）→ Phone Screen（45-60 分钟，1 道 medium Python coding + 简历深挖穿插）→ Onsite / VO 4-5 轮（2 轮 ML Coding + 1-2 轮 ML System Design + 1 轮 Behavioral，Ads 方向 team 的 SD 直接考广告排序链路）→ HM / Team Match。轮次数量和结构因团队、级别、地区而异，具体以实际收到的邀请为准。

Q3：Pinterest MLE 考什么？难度如何？
ML Coding 考 Python 数据处理 + ML 理论（Ranking 指标实现、multi-task、log q correction），难度 medium 但追问偏系统和数学；ML System Design 考推荐系统、Pins search、Ads ranking，核心是 Ranking 链路的完整度（retrieval → ranking → re-ranking）+ policy / safety + 业务 trade-off，难度对标其他大厂 MLE 中高级；项目深挖考项目规模（user base、QPS、延迟）和个人贡献；BQ 考真实性和跨团队协作（涉及 policy / 内容安全的味道重）。主轴是「能不能把推荐 / 排序 / 广告系统讲成有数据闭环和 policy 约束的线上服务」，不是算法竞赛深度。

Q4：Pinterest MLE 的 Ads ML 题有什么特点？
Ads 是 Pinterest 的核心营收来源，Ads ML 方向是高频招聘方向。公开信号里 Ads 相关题集中在三类：Ads ranking（eCPM = pCTR × bid 的排序逻辑、GSP auction、reserve price、bid landscape）、impression serving（top-k 选择、毫秒级延迟预算、ad load 控制、frequency capping）、业务闭环（营收指标 eCPM / fill rate vs 体验 guardrail ad load / 负反馈率，改动怎么用 A/B test 验证、guardrail 掉了怎么决策）。准备要点：pCTR 模型只是其中一环，面试官要听到「排序机制 + 体验约束 + 实验验证」的完整逻辑，只讲模型会被判断为没做过广告系统。

Q5：Pinterest MLE 和 SWE 怎么区分准备？
SWE 主轴是业务化 Coding（数据聚合、Pin Graph、Sparse Matrix / DFS）+ System Design（搜索 / 推荐 / Ads serving 的 serving 侧）+ BQ；MLE 主轴是 ML Coding（特征工程、Ranking 指标、ML 理论）+ ML System Design（推荐系统、Pins search、Ads ranking 的模型和数据闭环）+ 项目深挖，SD 占比更高且考法不同（MLE 考「模型怎么服务业务约束」，SWE 考「系统怎么撑住 QPS 和延迟」）。两个岗位共用「Pin / Board / Policy 场景 + follow-up 追问」的流程底色，但题型重心完全不同——投 SWE 看 Pinterest SWE 面经，投 MLE 按本篇准备，不要混着刷题。