阿里巴巴 AI / 算法怎么准备
阿里算法岗可能在搜索、推荐或反作弊。相关性、转化和评价可信是公开常谈的点。
五题覆盖相关性、作弊、冷启动、编码和协作。用你的电商或搜索经历答。
阿里怎么面算法
- 会问相关性和 GMV 冲突。
- 反作弊会问标注质量。
- 编码可能是业务数据处理。
面试阶段与知识点
第一批不把每个阶段拆成独立 URL，避免程序化重复页。阶段对应下面的题，练完再用模拟面试串起来。
- 相关性：与商业化。
- 反作弊：评价。
- 冷启动：新品。
- 目标：指标战争。
值得开口练的题
每题给考察点、思路、结构化参考答案和追问。参考答案用来组织语言，面试时必须换成你自己的项目事实。
最相关的结果不一定最好卖，排序目标怎么定？
考察点
- 多目标
- 约束
- 评估
回答思路
用约束或多目标分层：相关性作硬门槛，再在合格集合内优化转化与 GMV，避免合成说不清的分。
结构化参考答案
- 指标上分别追踪相关性分级、点击转化与 GMV，设相关性下限后再看商业化收益，坏 case 池定期评审。
- 方法上采用约束排序或帕累托前沿，广告与自然结果共用相关性门槛，避免相关性为收入让路。
- 工程上排序服务需低延迟，权重变更走实验框架并可回滚，防止线上突发相关性坍塌。
- 有效性以双指标 A/B 与用户调研的相关性满意度，证明 GMV 提升未以相关性系统性劣化为代价。
面试官可能追问
- 如何定义相关？
- 广告是否走同一约束？
- 谁拍板权重？
刷好评如何影响你的推荐，怎么防？
考察点
- 异常检测
- 降权
- 标注
回答思路
评价进模型前需可信度打分，异常设备与关系链要降权，防止训练被刷量污染。
结构化参考答案
- 样本上按设备、关系链、评价节奏与文本相似度打可信度分，低可信评价降权或不进训练。
- 方法上结合异常检测与人工抽检闭环，对抗刷评迭代规则，冷门好品设保护阈值防误伤。
- 工程上实时降权链路要快，模型版本可回滚到干净检查点，避免脏评价已扩散全量。
- 有效性以可信评价占比、推荐列表真实转化与误伤申诉率，证明反作弊没有系统性伤害真实好评。
面试官可能追问
- 误伤真实好评怎么办？
- 冷门好品如何保护？
- 对抗刷如何迭代？
新品没有点击，如何冷启动？
考察点
- 内容特征
- 探索
- 商家
回答思路
用图文类目向量召回与有限探索配额冷启动，而不是干等点击积累。
结构化参考答案
- 指标上看冷启动曝光后的点击、加购与转化，设探索配额上限，及时停推劣质新品保护用户体验。
- 方法上用内容 embedding、类目相似品迁移与商家资质特征召回，bandit 分配探索流量。
- 工程上防止商家刷冷启动配额，探索不影响主链路延迟，策略变更可灰度回滚。
- 有效性以新品首周转化曲线与整体 GMV、相关性对照，证明冷启动通道带来了可验证的零售转化。
面试官可能追问
- 如何防商家刷冷启动配额？
- 探索伤老品怎么办？
- 多久算冷启动结束？
给定点击日志，如何正确划分训练测试？
考察点
- 时间
- 用户
- 泄漏
回答思路
按全局时间切分，特征只用切点前信息，同一会话与 query 不跨集合以防泄漏。
结构化参考答案
- 样本上采用全局时间切分并报告切分日期，同一用户同 query 的多次点击不跨训练与测试集。
- 方法上特征工程严格使用切分点前的行为，节日与大促效应单独标注，避免随机切分造成未来信息。
- 工程上切分脚本版本化入仓，管道加泄漏检测门禁，变更切分策略需重训并保留可回滚版本。
- 有效性以泄漏检测脚本输出、切分前后离线指标稳定性与线上小流量复现，证明划分可信可复现。
面试官可能追问
- 随机切为什么不行？
- 节日效应如何处理？
- 如何检测泄漏？
搜索要相关，广告要收入，周会吵指标，你怎么办？
考察点
- 共同看板
- 约束
- 实验
回答思路
把相关性约束与收入目标写进同一看板，用统一实验框架对齐，避免各说各话。
结构化参考答案
- 指标上提出相关性下限与 GMV 目标，坏 case 双方共审，实验报告同时展示两个维度的变化。
- 方法上收入在下限之上优化，广告与自然结果共用相关性门禁，争议场景走分层实验而非口头拍板。
- 工程上实验平台支持约束型放量与一键回滚，防止未达相关性门槛的策略被提前全量。
- 有效性以书面约束与实验复盘记录，证明团队在可验证框架下达成了可接受的检索与商业化平衡。
面试官可能追问
- 谁设下限？
- 你如何保持中立？
- 实验被提前全量怎么办？
和岗位、模拟面试一起用
资料管理里保存目标岗位 JD，模拟面试会按简历出题。点题目下的按钮会把本题带进模拟开场，仍需先绑定简历与岗位。