题目重点：推荐市场商品，兼顾买家需求、卖家曝光、公平机会和商品实时可用性。
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。
- 训练为用户浏览本地Marketplace候选，目标有效联系/成交而非只点击；库存、位置、价格和权限作为明确约束。
- 成交可能在平台外发生，标签不完整；卖家回复与item sold也不直接证明是本次曝光转化。
- 个人位置采用可授权精度，不把精确住址用作可公开特征。
解题路线
- 候选先按地点距离、商品类别、价格预算和有效库存缩小，再用用户/商品embedding召回。售出或撤下商品即时过滤；陈旧索引需要回读权威状态。
- label层分点击、收藏、发起联系、卖家回应、双方确认成交，区分短漏斗与真实供需匹配。平台外转化用抽样反馈与明确unknown，而非全标负。
- 模型特征买家偏好/近期intent、商品图文/价格/年龄、卖家可靠行为、当地供需与cross距离/类别。冷启商品用内容与本地需求prior，base model可以线性/树模型，复杂模型按数据与延迟选择。
- 重排控制重复卖家、同类单一内容、超额曝光的供给；卖家公平是机会与效果的约束，需要披露衡量口径，不能简单平均曝光。下游联系需限流防骚扰。
- 实验受两边相互影响，用户随机化可能让不同策略争同一库存；考虑地区/时间switchback或匹配集群，并检验carryover与季节性。指标涵盖有效联系、等待、成交、卖家response与举报。
手动走一遍
热门低价商品引发大量点击却已售出，继续推荐提高CTR却没有交易。把sold state即时过滤、以有效联系或成交闭环衡量后，可能宁愿推荐第二高CTR但可用商品。
规模与取舍
候选搜索先空间/类目过滤再精排，在线成本由M候选与实时库存查读决定；大规模库存状态变化须事件版本和去重。地区实验需要足够独立单元，不能把用户量大直接当样本独立。
易错点与追问
容易失分的边界
- 把item sold当所有此前点击都转化，会错误归因。
- 缓存过期库存会让离线模型指标与真实用户体验脱节。
继续深挖
- 若优质卖家低曝光，怎么探索但控制买家体验损失？限定探索预算、分层评价并保护安全门槛。
- 用户突然搜新类别，与历史偏好冲突，如何给当前intent更高权重并回退？
