推荐系统是字节跳动最核心的竞争力。这道题考察候选人对大规模机器学习系统设计的理解，包括多级检索排序架构以及延迟与效果之间的权衡，直接对应推荐团队的日常工作。
首先介绍多级漏斗架构：召回、粗排、精排、重排，说明每一层存在的必要性和效率考量。
阐述召回策略，包括协同过滤、基于视频embedding的内容召回以及社交关系链召回等多路召回方式。
说明精排模型的架构——通常是融合用户特征、物料特征、上下文特征和交叉特征的深度学习模型，强调实时推理的性能要求。
讨论反馈闭环：用户的观看时长、点赞、转发、重播等行为信号如何实时采集并回流到特征库和模型更新中。
我会将抖音推荐系统设计为多级漏斗架构。召回层通过多路策略从数十亿视频中检索出数千条候选：协同过滤基于用户-物料交互矩阵，内容召回利用CLIP风格的视频embedding存储在向量数据库中做近邻检索，同时叠加热门和社交关系链信号。粗排用轻量模型将候选缩减至数百条。精排使用深度神经网络，融合用户画像、Redis实时特征、视频内容特征和时间等上下文特征，优化目标是观看时长、互动率等多指标加权。最后重排层负责多样性打散、内容安全过滤和探索与利用的平衡。整个链路需控制在200ms以内，需要大量缓存、模型蒸馏和GPU推理优化。
重点强调推荐质量与延迟之间的权衡——字节跳动对200ms以内的响应时间要求非常严格。
提及实时特征工程，字节以秒级更新用户兴趣画像著称。
讨论新用户和新视频的冷启动策略，这是抖音规模下的持续挑战。
抖音更依赖内容理解和实时互动信号，而非长期订阅关系图。全屏自动播放的形式能采集到更丰富的隐式反馈，如观看完成率和重播次数。
采用多臂老虎机策略在前几次互动中快速探索用户偏好，同时结合人口统计先验模型和热门内容，确保用户初次体验就有较高的参与度。