腾讯 AI / 算法怎么准备
腾讯算法岗可能落在广告、审核或社交推荐。公开讨论里延迟转化和误伤很常见。
五题覆盖延迟标签、误伤、社交边、编码和伦理协作。用你真实项目答。
腾讯怎么面算法
- 广告方向会问归因和延迟。
- 审核方向会问精确率和召回的产品含义。
- 编码仍可能出现。
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。
- 转化：延迟标签。
- 审核：误伤。
- 编码：基础。
- 安全：红线。
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。
广告转化可能三天后才发生，训练怎么处理？
考察点
- 延迟反馈
- 归因
- 校准
回答思路
不能把未到期样本简单标负，需明确归因窗口并用存活模型或延迟标签处理未观测转化。
结构化参考答案
- 指标上与业务对齐主转化定义与归因窗口，分曝光、点击、转化三阶段分别报校准后的 CTR/CVR。
- 方法上未到期样本单独建模或延迟打标，多触点归因用规则或 Shapley 近似，避免短窗口模型短视。
- 工程上在线推理与计费链路要低延迟，模型版本可回滚，窗口变更需重训并保留历史对照。
- 有效性通过延迟曲线、窗口外回流样本与 A/B 实验的 ROI 同向变化，证明训练策略没有系统性偏差。
面试官可能追问
- 多触点如何归因？
- 窗口外转化还用吗？
- 如何避免短窗口模型短视？
审核模型漏放和误伤如何同时降？
考察点
- 分层
- 人机
- 阈值
回答思路
单点阈值很难两头兼顾，用分层策略、人机协同队列，分别优化漏放与误伤指标。
结构化参考答案
- 指标上分别报漏放率、误伤率与申诉通过率，按类目分层统计，不合成一个误导性的准确率。
- 方法上高置信违规自动拦截，模糊样本进人审队列，误伤申诉回流训练并更新阈值曲线。
- 工程上控制审核链路延迟与吞吐，对抗样本需快速回滚规则包，避免全量误伤扩大。
- 有效性以分层实验对比漏放与误伤双降、人审容量与投诉量变化，证明策略在安全与体验间可平衡。
面试官可能追问
- 人审容量不够怎么办？
- 对抗样本如何防？
- 谁定不可谈判类目？
社交推荐里「好友也喜欢」如何避免泄漏隐私？
考察点
- 聚合
- 可见性
- 解释
回答思路
解释文案不能暴露单个好友行为，只用用户已可见的关系与聚合信号做推荐。
结构化参考答案
- 样本上仅使用用户隐私设置允许可见的关系边，关闭可见性的好友行为不进特征与解释。
- 方法上解释用聚合表述如「多位好友关注」，不点名具体用户，并评估推断攻击风险。
- 工程上特征计算与展示分离，实时过滤越权边，日志脱敏并支持用户一键关闭社交信号。
- 有效性以隐私投诉率、误解释率与用户调研，证明推荐增益不以泄露个体行为为代价。
面试官可能追问
- 共同好友数是否可展示？
- 如何防推断攻击？
- 和产品文案如何对齐？
实现一个滑动窗口内的点击率（口述结构即可）
考察点
- 窗口
- 增量
- 边界
回答思路
用队列维护窗口内点击与曝光计数，注意除零边界与并发一致性。
结构化参考答案
- 指标上明确定义窗口长度与点击率分母是曝光次数，曝光为零时返回未知而非强行记零。
- 方法上用双端队列或环形缓冲做增量入队出队，支持按时间戳或条数两种窗口语义。
- 工程上并发场景需锁或单线程消费，乱序事件按水位线处理，避免广告计费与统计口径不一致。
- 有效性以空窗、全负、全正与乱序等边界单测，以及线上打点与离线重算对账，证明实现正确。
面试官可能追问
- 时间窗和条数窗差在哪？
- 如何处理乱序事件？
- 精度用 float 够吗？
业务要放宽审核提收入，你作为算法怎么表态？
考察点
- 红线
- 分层
- 记录
回答思路
法律与平台红线不谈判，可讨论类目用分层实验，同时看收入与安全指标并书面留痕。
结构化参考答案
- 指标上列出不可放宽的类目清单，可讨论类目用小流量看举报率、漏放率与收入变化。
- 方法上采用分层阈值而非全局放水，收入与安全指标同看，异常时一键回滚到保守策略。
- 工程上确保审核规则版本可追溯，防止口头改标签绕过门禁，升级路径清晰可审计。
- 有效性以实验报告与复盘记录，证明在合规前提下探索了收入空间且未牺牲不可谈判的安全底线。
面试官可能追问
- 被要求改标签怎么办？
- 如何升级？
- 你如何避免只说不？
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。