题目重点：DoorDash MLE 面经题：广告推荐系统的候选资格、预算频控、排序服务、数据库/缓存和实验指标。
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。
- 题目只给 Ads Recommendation 方向与后端/实验追问。训练契约假设在餐厅/商品列表页插入可标识的赞助候选，按广告主预算与用户相关性选择；不把此当作面试原题的完整产品规范。
- 广告资格至少由活动状态、时间/地区、商家可履约、预算余额和频控决定；商业目标不能覆盖硬性的营业/配送与广告披露要求。
解题路线
- 离线把 campaign、创意、定向、预算和商家状态建成可检索索引；在线请求按用户/位置/页面取候选，先过硬资格和粗预算检查，再取实时/离线特征打分。
- 拆存储职责：campaign 配置与审核用事务数据库，在线候选/特征用低延迟 KV/索引，曝光/点击/下单事件写可重放日志，报表异步聚合。缓存带版本与失效机制，不能让暂停活动继续投放。
- 排序将预期用户价值、相关性、出价/商业收益和履约风险放进明确目标；广告主预算/频控在投放点做原子预留或安全超额策略，点击/转化账务按归因规则结算与对账。
- A/B 测试先固定随机化单位与实验桶，记录候选集、模型版本、曝光与归因窗口；同时看广告收益、用户转化/留存、自然结果挤出、商家公平、延迟和预算超支。
手动走一遍
用户在晚餐时段浏览某地区，候选餐厅 A 出价高却已关店、B 可送达且预算充足、C 预算刚耗尽。硬过滤排除 A/C，再对 B 与其他合格广告排序；服务端原子预留 B 的预算份额，写曝光事件。若用户下单，按事先约定的归因窗口关联，而不是所有后续订单都算 B 的贡献。示例字段为训练假设。
规模与取舍
设候选数 K、特征数 F，在线过滤 O(K)、批量特征与排序约 O(KF)；延迟风险在候选索引、特征 fan-out、预算原子更新和日志投递。广告主预算高并发更新需分片或配额下发，同时周期性与权威账务对齐。
易错点与追问
容易失分的边界
- 只讲模型架构而不讲投放状态、数据库与服务端错误处理，不能回应可见题目的 backend 追问。
- 缓存暂停状态太久会展示已停止广告，缓存预算过多会超支；版本化配置与预算预留需要独立保证。
- 只看广告 CTR/收入而不看自然结果挤出、取消率与用户长期体验，会误判实验效果。
- 曝光日志可能重复或丢失，账务与实验要有事件 ID、去重和重放口径。
继续深挖
- 若广告排序和自然排序在同一页竞争位置，如何随机化实验以估计广告净增量而不是位置偏差？
- 若多地区商家供需强耦合，可按地区/时间桶做 switchback 或分层实验，检查干扰与季节性。
