推荐系统的召回和排序两阶段为什么分开？
五个经典回答示范
「推荐系统分开两阶段是算力与效果的折中：全库物料百万级，精排模型太重不可能全量打分。召回先从海量里快速拉出几百到几千候选——多路召回：协同过滤、向量双塔、热门、关注关系，保证覆盖与多样性；排序用更重的模型对候选精打分——特征更全、结构更深；之后可能加重排做多样性与业务规则。」
我讲实习参与的信息流项目：召回侧双塔模型离线训练，用户塔物料塔分别出向量，线上 ANN 检索毫秒级；另配 I2I 协同与热门三路并行。排序侧 DIN 结构，用户行为序列做 target attention。两个难忘教训：只加新召回不调融合权重会挤占旧路流量；排序特征穿越（用了未来信息）离线 AUC 虚高线上暴跌——特征时间对齐成了红线。
我从系统视角讲各阶段目标函数不同：召回目标是『别漏』——训练用负采样，评估看召回率与覆盖，注意样本选择偏差，流式训练缓解；排序目标『排准』——pointwise/pairwise/listwise 按业务损失选，多目标融合（点击、时长、互动）用参数化帕累托或 MMoE；重排目标『整体最优』——SLIPPER 类序列生成考虑列表间影响。冷启动与探索利用是贯穿问题。
追问「召回评估怎么做」：固定精排模拟全流程看最终指标，或对召回层直接算 hit rate@K 加多路覆盖分析；「多目标怎么融合」：超参融合公式起步，进阶 MMoE 或按人群动态调权；「特征穿越怎么防」：特征快照按请求时间落、训练样本用当时可见值，代码层加时间断言。
『推荐就是调用协同过滤算相似度，模型直接上最深的排序模型对全库打分最准确，算力不是问题加机器就行。』——点评：全库精排的算力成本是天文数字，两阶段不是知识而是工程常识；对样本偏差、特征穿越这类真实痛点无认知。
- 打开 模拟练习，选择「算法工程师」方向，限时 3 分钟作答本题。
- 对照上方答题框架，逐点检查：哪些要素没覆盖、哪里表达啰嗦。
- 用自己项目的真实经历替换框架中的占位内容，重讲一遍并录音回听。
这类题在真实面试中常被追问细节，
建议进入限时模式练一遍。