TikTok 推荐模型选型：基线、召回和排序的不同目标

题目重点：比较流行度、协同过滤、双塔与交互排序，按数据、延迟和冷启动选择。

题意与假设

这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。

建立可测基线：热门/规则与简单线性模型。确认曝光日志、用户/物品ID、反馈延迟和负采样，避免模型复杂度掩盖数据问题。
协同过滤擅长已有交互的相似关系；内容特征补冷启动，双塔支持向量召回和预计算物品表示，但受分离表达限制。
排序可用线性/树/神经交互模型，在候选小集合用更丰富特征；crossencoder更强交互但不能默认对全库执行。
离线分时间/实体验证，测Recall@K、ranking指标与校准；线上关注业务目标、长期体验和实验护栏。架构选择同时受实时特征成本约束。
端到端服务先定用户/视频/曝光事件与candidate IDs，多路召回后rank/rerank并过滤不可用内容。线上特征需时间版本与fallback，模型发布绑定feature/index版本；离线训练样本与线上实时状态不能混淆。
曝光、播放/完播、skip和反馈进入日志，negative sampling保留曝光偏差，数据按时间/用户组去泄漏。模型比较外还测端到端延迟、覆盖、冷用户/冷item与线上实验护栏，不用单一offline AUC证明整个推荐完成。

新物品无交互时协同过滤不易建可靠表示，商品文本/图像特征可以补充。百万物品先双塔召回几百，再精排，而非让大模型逐一评分。

召回向量预计算降低在线成本但引入更新延迟；排序成本随K、特征获取与模型规模增长。参数少不等于整个服务便宜。