校招 未知部门 / 算法 / 多轮

<h2>28届双非本末9硕，面腾讯WXG推荐算法：三轮技术面全记录</h2> <p>腾讯WXG的推荐算法岗位，向来以面试严苛、追问密集著称。对于一个双非本科、末流985硕士背景的28届毕业生来说，能拿到面试机会已属不易，更别说挺过多轮技术面。本文的求职者林野（化名）没有顶会论文，也没有大厂实习，只靠两段中小厂推荐相关的项目经历，硬是在WXG的面试场上扛住了三轮追问。他的经历或许不够耀眼，但足够真实，尤其适合那些背景普通、却仍想冲击大厂核心算法岗的人参考。</p><p><img src="https://uploadfiles.nowcoder.com/images/20260910/289358583_1789043778595/D2B5CA33BD970F64A6301FA75AE2EB22"></p><h3>一、背景：双非本+末9硕，这把牌并不好打</h3><p>林野的本科毕业于一所双非院校的计算机专业，硕士考到了同省的一所末流985。在推荐算法这个卷得飞起的方向里，这样的学历组合几乎没有竞争力可言。他没有拿得出手的论文，也没有在顶级会议或竞赛中露过脸，唯一能写进简历的，是两段和推荐系统沾边的项目经历：一段是在一家中小厂做粗排模型优化的实习，另一段是实验室里参与的推荐召回改进课题。</p><p>秋招开始前，林野心里是没底的。他看过了太多“双9+顶会”被刷的帖子，一度觉得自己投腾讯WXG只是浪费一次机会。但圈里一位学长告诉他：“WXG的推荐岗有时反而更看重工程感觉和业务理解，你去试试，不亏。”就这样，林野把简历投了出去。一周后，他收到了面试通知。<span>www.yewenjun.com</span></p><h3>二、一面基础关：不考偏题，但每个问题都带钩子</h3><p>一面面试官是WXG的资深算法工程师，视频接通后没有寒暄，直接让林野谈谈对推荐系统整体框架的理解。这个问题林野准备过，他把推荐流程按“召回-粗排-精排-重排”四步展开，重点说明了自己在实习中负责的粗排环节所处的位置。</p><p>面试官听完没点头也没摇头，接着抛出第一个具体问题：“你做的粗排模型，输入和输出分别是什么？为什么用双塔不用单塔？”林野回答：“输入是用户特征和候选物品特征，输出是一个排序分。用双塔是因为粗排需要处理几万个候选，双塔可以离线算好用户向量和物品向量，线上只要做内积，延迟低很多。”面试官追问：“双塔的缺点是什么？如果用户和物品交互特征很强，双塔扛得住吗？”林野略一停顿，说：“双塔的缺点在于用户和物品特征交互不充分，内积只是线性关系，对强交互特征建模弱。解决思路一般有两种：一是在双塔两侧分别引入更丰富的辅助网络，二是对部分重要交互特征在线上做实时计算，但这会增加延迟。所以粗排往往只能牺牲一点精度换效率。”这番回答不算惊艳，但至少没被问住。</p><p>接着面试官换了个角度：“说说你对特征哈希的理解。哈希冲突会影响模型效果吗？怎么缓解？”林野答：“特征哈希是把高维稀疏ID映射到固定维度的向量，冲突是必然的。冲突会导致不同特征共享同一个Embedding，带来信息损失。缓解办法有：增大Embedding维度或哈希空间、对不同特征域用不同的哈希函数、对冲突做计数区分等。”面试官继续问：“你实习中用过吗？实际效果如何？”林野如实说：“用过，我当时做了个实验，把哈希空间扩大一倍后，线下AUC只提升了0.3个百分点，但线上点击率涨了0.5个百分点，说明冲突确实影响了线上表现。”这种带上具体数据的回答，明显让面试官更愿意深入。<span>www.2345288.com</span></p><p>一面最后手写了一道简单的代码题：实现一个固定窗口计数器的限流器。林野写得不算快，但逻辑清晰，边界处理也到位。整个过程约50分钟。</p><h3>三、二面项目深挖：问得细到怀疑人生</h3><p>二面定在四天后，面试官是团队的技术负责人，视频一开就要求林野“挑一个你最有把握的项目，讲出它的技术难点和你的贡献”。林野选了实习时的粗排模型优化项目。</p><p>他先交代背景：公司原粗排模型是GBDT，随着召回量从五千扩到三万，GBDT的推理延迟吃不消，需要换一个更轻量且效果不差的模型。林野负责尝试用双塔神经网络替换，并解决训练样本与线上分布不一致的问题。面试官立刻抓住这个点：“你说的分布不一致，具体是什么情况？你怎么证明你的方案有效？”林野解释：“粗排训练时，我们用的是精排筛选后的样本，正负样本比例和线上真实召回集的分布差别很大，导致模型线下AUC很高但上线点击率掉得厉害。后来我提出在训练样本里混入一定比例的召回原始负样本，让训练集更接近线上分布。证明方法就是同时监控离线AUC和线上AB的点击率变化。”面试官追问：“混入多少比例？怎么调出来的？”林野答：“刚开始混了10%，离线AUC掉了2个点，但线上点击率没明显变化；后来调到30%，离线AUC再掉1个点，线上点击率涨了3个点；再往上调到50%，线上涨得就不明显了，所以定了30%。”这个比例和过程的描述，让面试官明显满意。</p><p>接着面试官抛出一个更狠的问题：“你有没有尝试过用知识蒸馏来提升粗排效果？”林野心里一紧，他只在论文里看过这个词，没有动手实践过。他老实回答：“没有做过，但了解思路。用精排模型作为教师网络，把它的输出作为软标签来训练粗排模型，实现知识迁移。不过我们当时没有精排模型的完整输出权限，只拿到了最终的排序分，所以不好实施。”面试官点了点头，也没再追。这个环节能明显感觉出，面试官并不要求所有技术都会，但会观察你会不会胡编。<span>www.86game.com.cn</span></p><p>二面后半段，面试官出了道场景设计题：“如果给微信看一看设计召回策略，要求兼顾热度和多样性，你会怎么考虑？”林野从多路召回、热度衰减、多样性约束、以及用户兴趣聚合几个角度展开，中间还提到使用DPP（行列式点过程）来做多样性控制。面试官听完后追问：“DPP的计算复杂度较高，你觉得在召回阶段用合适吗？”林野答：“召回阶段候选太多，直接上DPP计算代价太大，一般会在精排后或者重排阶段使用。召回阶段可以用更轻量的方式，比如对每个类目或兴趣簇设置配额。”这轮答题时间很长，结束时林野后背都湿了。</p><h3>四、三面压力面：从技术跳到了业务与人性</h3><p>三面面试官是位级别更高的技术负责人，整个面试过程不像前两轮那样有明确的题目模块，更像是对话。他先让林野聊聊对推荐系统未来的看法。林野说了多模态推荐、实时反馈闭环、以及隐私计算在推荐中的应用。面试官追问：“如果有一天推荐系统能精确预测用户下一秒想看什么，你觉得这是好事还是坏事？”这个问题偏哲学，林野愣了几秒，然后说：“我觉得技术本身没有好坏，关键看如何使用。太精准的推荐可能会让人陷入信息茧房，平台需要加入一些探索机制，让用户有机会接触到陌生领域，这不仅是产品责任，也有利于提高长期留存。”这个回答让面试官笑了一下。<span>www.67game.com.cn</span></p><p>接着面试官又绕回技术：“你再讲一下你实验室做的那个多兴趣召回项目，为什么最后没上线？”林野详细解释了线上延迟约束和多兴趣向量检索带来的额外存储成本，导致项目只完成了离线验证。他补充：“如果现在让我重新做，我会先尝试用近似检索做初筛，再用多兴趣向量做二次打分，这样可能有上线的机会。”面试官听了点点头，说：“能意识到落地约束，这个比做出来更难。”</p><p>三面过程更看重思考方式和临场反应，林野事后回忆，自己并没有给出什么高深的理论，但每个回答都尽量从工程师的视角出发，把技术和业务、成本结合起来。</p><h3>五、HR面：聊薪资、聊心态、聊未来</h3><p>HR面相对轻松，主要围绕职业规划、为什么选择腾讯、对工作强度的接受度等。HR还特意问了一句：“你学历背景不属于顶尖，会不会担心在团队里压力很大？”林野回答得挺坦诚：“会有压力，但也正因为这样，我才更想把基础打扎实。我的项目经历不多，但每一段都尽量做深，我觉得这是我能控制的。”HR笑了笑，表示会进入后续流程。</p><h3>六、复盘：普通背景撑过WXG面试的三个关键点</h3><p>回看这场面试，林野觉得有三点最关键：</p><p><strong>第一，把项目练到“不怕拷问”。</strong> WXG的面试官不关心你做过什么高大上的东西，他们只关心你在项目里到底起了多大作用，以及你能不能把细节讲透。林野在面试前把项目里的每个技术决策、每个实验数据都反复整理过，甚至手写了“为什么不用另一个方案”的清单。事实证明，这些准备在二面中起了作用。<span>www.96game.com.cn</span></p><p><strong>第二，坦诚比什么都管用。</strong> 林野没做过知识蒸馏，他当时没装，而是承认了解思路但没实践。面试官没有因此降低评价，反而在后续环节里表现得更信任他。推荐算法岗位看重的是工程诚信，不懂装懂比不会更让面试官反感。</p><p><strong>第三，多从业务视角看问题。</strong> 林野的学历背景不占优，但他在面试中反复提到“线上指标”“延迟”“成本”这些业务关键词，这让面试官觉得他是个能落地的工程师，而不只是纸上谈兵的研究者。这也是他最后能过关的重要原因。</p><p>林野的经历没有逆袭的戏剧性，却足够真诚。对于和他一样背景普通的求职者来说，腾讯WXG的推荐算法岗并不是遥不可及。与其花时间焦虑学历，不如把有限的精力投入到项目深度和工程意识的打磨上。面试是一场对话，当你能用细节和坦诚说服面试官时，那张名校标签或许就不再是唯一的门槛了。</p>