题目重点：基于 L6 电面明确的 sentiment-over-time 题，从跨平台接入、事件时间、语言模型、偏差与趋势可信度设计可解释的数据链路。
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。
- 训练版统计公开社交媒体题目描述中对 Netflix 品牌的情绪，不抓私密内容；仅使用平台许可的数据接口。具体平台、区域及授权要按实际产品要求确认。
- 输出按天/地区/语言的情绪占比和置信区间，另提供近实时候选趋势；题目未明确 UI、SLA 或分类标签数。
- 同一题目描述编辑/转发/删除须保留事件 id 与版本，避免一条热门转发被误当大量独立观点；如何计权由业务定。
解题路线
- 先定分母与对象：只谈 Netflix 的题目描述如何识别？是品牌、某剧、客服问题还是竞争对手比较？用 entity linking、语言检测和抽样人工审核降低误归因。
- 接入层按平台 connector 拉取或消费流，记录源 id、event time、ingest time、语言/地区、正文引用与权限元数据。原始层去重并接受编辑、删除事件；队列隔离平台速率变化，迟到数据按 watermark 与回补窗口重算。
- 离线用人工标注且按地区/语言/时间分层的样本训练情绪模型，线上推断分数与模型版本；小样本群组报告置信度，监控错误、漂移和讽刺/多语言弱点。不要把单纯点赞数直接当情绪。
- 聚合层按时间窗计算正/中/负与总样本数，对刷屏、机器人、促销和平台抽样偏差做标记。展示趋势时同时给原始量、比例、置信区间与重大事件注释；回填结果要版本化，防相同日期的值无说明地改变。
手动走一遍
训练例某新剧上线当天负面题目描述从 1k 升至 2k，但总相关帖从 10k 升至 40k，负面比例从 10% 降至 5%。如果只报负面条数会误判情绪恶化；还应按地区/语言和话题拆分，核查是否一条转发链造成量级变化。
规模与取舍
E 条输入题目描述，去重/推断约 O(E) 个事件操作，模型推断时间取决于模型与批量策略；按 D 天、R 地区、L 语言维护聚合至少 O(DRL) 桶。原文与模型版本、回补周期决定存储和延迟；近实时准确度与迟到纠正之间有取舍。
易错点与追问
容易失分的边界
- 把 Netflix 关键词命中直接当品牌情绪，未排除剧情讨论、否定引用或重名。
- 只看绝对负面数量，不看总量和平台抽样变化。
- 转发/机器人重复计数，或忽略编辑删除。
- 把模型概率当已校准的真实民意；无人工标注验证。
- 跨地区语种直接汇总，掩盖小市场异常。
继续深挖
- 平台 API 抽样率发生变化时，如何区分数据变化与舆情变化？
- 重大事件后迟到数据使昨日曲线改变，如何对用户解释？
- 如果需要按 title 级别看趋势，entity linking 的歧义如何评估？
- 新语言无标注样本时如何渐进上线？
