题目重点：构建Reels式短视频推荐，区分完成率、有效观看和长视频天然时长偏差。
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。
- 目标是有价值的观看与长期体验，不是简单最大化总秒数；视频长度、滑动/自动播放与重复播放需明确。
- 训练label包括有效watch、完成、skip、负反馈；播放日志结束缺失时要处理censoring，不假设每条都有完整时长。
- 用户近期兴趣变化快，但不无限收集敏感数据；最小化授权特征并明确删除。
解题路线
- 日志以viewSessionId串起曝光/start/progress/end/skip，去重乱序，watchTime不能把重试progress累加翻倍。valid watch定义前后台/静音/可见性条件，自动播放不自动算满意。
- 召回通道包括关注、内容embedding相近、趋势和探索，按language/region/权限过滤。新视频用内容特征与受控探索，不等到大量互动才有展示机会。
- 特征user近期序列、video视觉/音频/文本、长度年龄、context设备网络、cross主题偏好；长/短期兴趣可分塔融合，在线序列更新有序及期限。
- 模型预测多目标watch/complete/skip/hide，长度归一化或按时长分桶评估；不能只用完成率偏向3秒视频，也不能只用秒数偏向10分钟视频。重排控制重复作者、主题集中与疲劳。
- 训练按eventTime并等待label成熟，探索样本纠正曝光反馈循环；样本权重和位置/渠道偏差明确。比较baseline与复杂序列模型需同候选、同延迟预算。
- AB主指标包括满意有效watch及长周期留存，guardrail负反馈、过度重复和延迟，分新老用户/语言/网速。网络弱时预取/降码率改善体验，不能把模型优化与播放器改善混为一因果结果。
手动走一遍
5秒视频完整看5秒与60秒视频看45秒，完成率分别100%/75%，绝对watch5/45，两指标会反向排序。应根据目标并按视频长度对照，而非任选一个证明更好。
规模与取舍
实时序列特征更新与推理队列决定P99；序列长度L的标准attention可能O(L²d)，截断/缓存与兴趣漂移取舍。内容embedding离线计算、召回ANN近似有recall/延迟权衡，实际容量需load test。
易错点与追问
容易失分的边界
- 只看播放start数量会把自动播放当用户主动选择。
- 新视频无历史CTR被零填导致永不召回，探索和内容冷启必需。
继续深挖
- 如何处理一次session兴趣骤变？近期序列加权，但保留长期prior并防一条异常反馈完全覆盖。
- 曝光策略改变后离线watch label分布变了，如何区分模型提升与选择偏差？探索对照与线上随机实验。
