最近整理之前的面试记录翻到58同城2023年算法工程师的面试题复盘。这套题整体风格偏务实不追求偏题怪题很多问题都能在真实业务里找到对应场景对准备国内互联网公司算法岗面试的人很有参考价值。我会从面试流程、高频考点、手撕代码思路、机器学习基础和踩坑经验几个方向完整复盘尽量把考察背后的逻辑也说清楚方便你直接对照查漏补缺。58同城的业务覆盖招聘、房产、二手车、本地生活服务算法团队在这些场景里沉淀了大量推荐、搜索、风控和定价相关的工作。面试时你会明显感觉到面试官更关心“能不能用算法解决实际问题”而不是单纯考察你背了多少论文公式。这套题既适合正在准备算法岗面试的候选人用来模拟自测也适合想了解业务型算法团队技术栈的人。1. 项目背景58同城算法团队到底在面什么1.1 业务驱动的算法岗画像58同城做的是信息分发平台用户侧是找房、找工作、找二手商品商家侧是发布信息、获取线索、付费推广。这个业务模型决定了算法团队的技术栈主要集中在几个方向搜索与召回用户搜索“北京朝阳区合租”系统要从海量信息中找到相关性高的房源。这里涉及文本匹配、语义向量召回、粗排过滤。推荐排序首页信息流推送哪些职位、哪些房源需要点击率、转化率预估模型。风控与反作弊垃圾信息过滤、虚假房源识别、刷单检测容不得半点马虎。定价与预算分配商家推广出价、预算控制、流量分配涉及运筹优化和竞价策略。面试官选人时会围绕这些业务场景出题。你在准备时如果只刷LeetCode不思考业务背后的技术诉求很容易被打个措手不及。1.2 面试流程与考察框架58同城算法工程师的面试一般分四到五轮整体节奏比较紧凑简历面/电话面快速过一遍项目经历初步判断技术方向是否匹配。技术一面重点考察数据结构与算法、机器学习基础通常有一到两道手撕代码题。技术二面加深考察推荐系统、搜索排序等项目细节会有系统设计类问题。技术三面/交叉面侧重综合能力和业务理解可能由其他团队的技术专家面试。HR面考察稳定性、沟通协作和对业务的认可度。从考察内容看基础算法、机器学习原理、项目落地能力三者权重接近建议不要偏科。2. 基础算法题KMP、排序、贪心是硬通货2.1 KMP算法的next数组怎么手算网上流传的这套面试题里最经典的一道是模式串p abacaba求它的 next 数组。这道题考察的是对 KMP 算法的理解程度尤其是 next 数组的物理含义很多人能背出模板代码但一到手算就露馅。先说 next 数组的常见定义next[i]表示当模式串第 i 个字符下标从0开始失配时指针应该回退到的位置。另一种等价定义是next[i]表示模式串前 i 个字符构成的子串中最长相等前后缀的长度其中next[0] -1。我习惯后者因为能直观地看出回退逻辑。以p abacaba为例逐个手工计算失配跳转版i子串 p[0..i-1]最长相等前后缀next[i]0空无-11a无02ab无03abaa长度114abac无05abacaa长度116abacabab长度227abacabaaba长度33注意到一个细节题目里的next[i]如果定义为“前 i 个字符的最长相等前后缀长度”那么通常数组长度为len(p) 1最后next[7] 3如果定义为“失配时回退的位置”数组长度就是len(p)即[-1, 0, 0, 1, 0, 1, 2]。面试时建议先说一句“我按失配回退的定义来算”然后再给结果避免和面试官口径不一致。对应的构建代码也很简单def build_next(p: str): n len(p) nxt [-1] * n j -1 for i in range(1, n): while j 0 and p[i] ! p[j 1]: j nxt[j] if p[i] p[j 1]: j 1 nxt[i] j return nxt print(build_next(abacaba)) # [-1, 0, 0, 1, 0, 1, 2]核心理解点构建 next 数组的过程本身就是一个“自己匹配自己”的过程指针 j 始终指向当前最长等价前后缀的末尾位置。失配时不断通过nxt[j]回退这个回退跳过了大量无效比较正是 KMP 比朴素匹配快的原因。2.2 排序与TopK从冒泡到堆排面试中排序算法出现频率极高热度词里的“冒泡排序算法c”“堆排序算法”就是典型考点。58的面试官通常不会只让你说“我会快排”而是会层层追问冒泡排序时间复杂度最好、最坏分别是多少如何优化堆排序建堆复杂度为什么是 O(n)快排最坏情况是什么如何避免针对TopK问题最经典的解法是用最小堆维护一个大小为 K 的最小堆每次新元素与堆顶比较比堆顶大就替换并调整堆。时间复杂度 O(n log K)空间复杂度 O(K)。如果 K 远小于 n这个方案非常好用。补充一个面试加分点如果面试官问“为什么不用最大堆”你要能回答——最大堆的堆顶是目前最大的元素新元素如果比堆顶还大无法确定是否要淘汰堆顶因为可能还有更大的元素在后面最小堆则能保证堆顶是当前 K 个候选中最小的新元素只要能干掉堆顶就进入候选区。C 里直接用priority_queueint, vectorint, greaterint就能实现最小堆几分钟写完一遍完整代码是及格线。2.3 贪心、动态规划与优化类算法热门词里的“贪心算法”“粒子群算法原理”“模拟退火算法”也值得注意。基础算法面试题里贪心是常客比如分发饼干排序后双指针贪心。跳跃游戏维护最远可达距离。加油站问题如果总油量小于总消耗则一定无解否则在累加过程中油量为负时重置起点。贪心题在面试中不只是考代码更考“为什么贪心成立”。例如加油站问题你必须能说清楚为什么“油量最低点的下一站就是正确起点”这类证明思路否则面试官会认为你只是背了题。粒子群算法和模拟退火这类元启发式算法在58的某些业务场景确实会用到比如销售排班、兼职人员调度、广告预算分配这类组合优化问题。粒子群的核心就三句话每个粒子记录自己的历史最优位置 pBest。整个种群维护一个全局最优位置 gBest。每次迭代按v w*v c1*r1*(pBest - x) c2*r2*(gBest - x)更新速度再更新位置。如果你能结合一个具体的调度场景讲清楚粒子群怎么建模、约束条件怎么处理这题就拿下了。这类问题不用深入细节关键是让面试官看到你理解优化算法的适用边界。3. 机器学习与推荐系统业务算法岗的重头戏3.1 召回与检索从BM25到双塔模型58的业务形态决定了搜索和推荐是算法工程师的主战场因此召回和检索相关的算法题几乎必考。一个典型问题是“用户在58搜索‘数据分析师’请描述从输入到展示的全过程并说明召回阶段用了哪些方法。”经典的文本召回算法是 BM25它是对 TF-IDF 的改进核心思想是一个词在文档中出现的次数越多越重要但受文档长度和词频饱和效应影响。公式里的两个超参数 k1 和 b 分别控制词频饱和程度和文档长度惩罚力度面试时能说出这两个参数的含义比背公式更能加分。近几年的主流做法是引入向量召回即双塔模型用户塔输入用户特征物品塔输入物品特征两个塔各自产出 embedding用内积或余弦相似度衡量相关性。训练时用曝光点击样本作为正例随机采样或曝光未点击作为负例。在这里负样本怎么采样特别关键网上常见的做法是“全局随机负采样 热门商品降采样”目的是缓解热门物品对训练信号的干扰。面试追问概率很高的一个细节是双塔模型为什么不能做特征交叉因为两塔在最后一层之前是不交互的如果强行加入用户和物品交叉特征会导致线上推理时无法提前缓存物品向量性能扛不住。这个点你要能讲透。3.2 排序模型与损失函数召回确定候选集后精排阶段会用到更复杂的模型。58在这方面经历过从 LR → GBDT → XGBoost → DeepFM 的演进过程。面试题主要集中在LR 为什么不能学特征交叉需要人工做特征工程工作量大且难覆盖长尾模式。GBDT 的基学习器为什么通常是决策树因为决策树对特征尺度不敏感能自动处理缺失值和离散特征而且可以捕捉非线性关系。XGBoost 相比 GBDT 做了哪些优化二阶泰勒展开、正则项、列采样、并行化、近似分位点算法。此外排序模型的损失函数也有不少考法。例如“点击率预估为什么用 LogLoss 而不是 MSE”要回答分类问题的输出是概率LogLoss 的梯度在预测错误时更大能更好地区分好坏样本MSE 在概率输出场景下容易梯度消失。如果一个业务里用户同时有“点击”和“转化”两个行为还可以考虑 ESMM多任务学习这类模型用共享底层参数的方式同时建模点击率和转化率避免样本选择偏差。58的招聘场景里用户看到职位到投递简历就是一个明显的多行为链路拿这个场景举例很加分。3.3 聚类、评估与A/B实验面试中统计学和评估指标也是重灾区。热词里的“聚类算法”常被问到K-Means 怎么选 K常用手肘法和轮廓系数。手肘法靠观察代价函数下降曲线拐点轮廓系数则综合考虑簇内紧密度和簇间分离度两者结合更靠谱。K-Means 对初始点敏感怎么办可以多次随机初始化取最优结果或使用 K-Means 初始化策略。什么时候用 DBSCAN当数据分布不是凸形、簇与簇之间有噪声点或者你事先不知道簇数量时。推荐场景里评估模型效果最常用的指标是 AUC 和 GAUC。AUC 描述的是正样本得分大于负样本得分的概率对排序能力敏感GAUC 则按用户分组计算 AUC 再按曝光数加权平均更能反映个性化推荐的真实效果。业务上线前总逃不掉 A/B 实验。面试官常问“A/B 实验的流量怎么划分”你要能说出三种常见策略按用户 ID 哈希划分、按设备 ID 划分、按分层实验框架划分并解释用户 ID 划分能保证同一用户体验一致避免“一会儿看到新版、一会儿看到旧版”的困惑。还需要注意“辛普森悖论”就是整体实验组效果好但细分到每个城市可能都更差这时候要先分析是不是流量分配不均衡导致的。4. 工程能力与算法落地手撕代码与系统设计4.1 手撕代码的高频题型与技巧手撕代码环节在58的面试里不会出特别难的竞赛题通常是“经典算法 实际场景”的结合。除了前面说的 KMP、TopK我遇到的还有这几类二分查找变种在旋转有序数组里找目标值、找第一个大于等于 target 的位置。这种题考边界条件处理while 条件写l r还是l r必须心里有数。LRU 缓存用哈希表 双向链表实现get 和 put 都是 O(1)。这题特别受面试官喜欢因为能考察哈希表和链表操作熟练度也能延伸到 Redis 内存淘汰策略。字符串处理判断回文子串、最长无重复字符子串、字母异位词分组。这些都是用双指针或哈希表就能解重点是时间复杂度和空间复杂度的权衡。写代码时我有个很强烈的建议先想清楚边界条件再动手代码行数控制在40行以内写完顺手跑一遍手动测试用例比如空数组、单元素数组、全相同元素数组。这种“防御性编程”意识在面试里很加分。4.2 从模型到系统规则引擎与特征平台除了写代码面试还会考你对整个算法系统的把控能力。热词里的“规则引擎drools的rete算法实现原理”就在这类问题里出现。Rete 算法的核心是缓存匹配结果避免每来一条新数据就从零开始全量匹配它把规则条件拆分成多个 Alpha 节点和 Beta 节点构成一个判别网络。你可以这样理解规则引擎相当于一个“超级筛子”把大堆规则条件一层层拆开共享相同前置条件这样新增事实时只需要沿着网络走一圈而不用把所有规则重新跑一遍。58的审核场景里比如垃圾信息识别常有“命中多个条件就拦截”的策略背后完全可以用规则引擎实现。关于特征平台面试官常问“上线一个新特征从提出到生效要走哪些流程”。一个完整的回答是特征定义 → 离线ETL验证覆盖率与区分度 → 特征存储Hive/Redis → 在线特征服务接口 → 模型训练与回测 → 上线后监控特征分布。如果你还知道“特征一致性校验”离线训练用的特征和在线推理用的特征要对得上这段回答会显得非常接地气。4.3 推荐系统链路设计题58的面试里让候选人设计一个“58招聘首页信息流推荐系统”的概率很高。这类开放式问题没有标准答案但有一个通用框架召回层多路召回包括 LBS用户附近5公里的职位、类目与用户简历方向匹配、协同过滤相似用户看了什么、向量召回。粗排层用轻量模型或规则从几千个候选快速筛选到几百个常见方法是双塔模型打分或规则截断。精排层用 DeepFM、DIN 等模型对几百个候选逐一打分特征包括用户画像、职位属性、上下文特征。重排层考虑多样性和新鲜度避免连续推同一家公司职位剔除用户已经投递过的职位。兜底策略新用户没有行为记录时按城市热门度和行业热度做冷启动推荐。系统设计题要遵循“先框架、后细节”的原则别一上来就扎进某个模型里。先用一两分钟画出完整链路再挑一个面试官感兴趣的模块深入这才是业务算法岗的正确打开方式。5. 面试复盘与备战建议5.1 我在58面试中踩过的坑复盘这套面试题时我发现自己最容易踩的坑有三个也分享给准备面试的你第一个坑是对 next 数组的定义没有先对齐。我一开始直接按自己熟悉的定义算出[-1, 0, 0, 1, 0, 1, 2]但面到后面才发现面试官问我的是包含最长前后缀长度的版本多聊了两句才对齐。后来我养成了习惯凡是碰到可能有两种定义的题先说清楚我按哪种口径算。第二个坑是项目经历讲得太“顺”。我以前的习惯是把项目里做的每一步都讲得顺利无比结果面试官追一个“你遇到的最大困难是什么”我卡壳了。后来才明白项目经历的价值不在于展示“我全部做对了”而在于展示“我在面对真实复杂问题时怎么定位、怎么取舍、怎么解决”。第三个坑是对业务指标不够敏感。算法模型不能只看离线 AUC还要关注线上业务指标比如58招聘场景里的简历投递率、用户次日留存、商家平均回复时长。面试官问“你的模型上线后效果怎么样”绝对不是在等你回答“AUC提升了0.5个点”而是想看你能不能把模型指标翻译成业务收益。5.2 备战建议和自查清单如果你现在正准备类似岗位的面试我建议别把精力全花在刷题上而是按下面这个清单自查[ ] 能徒手写出 KMP、快排、堆排序、TopK、LRU 的完整代码并说清核心思路。[ ] 能解释 AUC、LogLoss、召回率、精确率、GAUC 的区别和适用场景。[ ] 能画出从搜索到推荐的完整链路图讲清每层的输入输出。[ ] 能讲清楚双塔模型为什么适合召回、不适合精排。[ ] 能结合一个具体业务场景说明样本怎么构造、正负样本比例失调怎么处理。[ ] 能说出 A/B 实验的常见坑比如辛普森悖论、流量穿透、实验周期不足。5.3 一些个人的判断标准回看这套58同城2023年的算法工程师面试题我越来越觉得国内业务型互联网公司的算法面试核心考察的不是你会不会某个最新模型而是你有没有一套“从业务到算法、从算法到系统”的完整思维链路。特别明显的一点是面试官问粒子群、问模拟退火、问 BM25、问 Rete 算法并不是想考你背了多少算法名词而是在考察你对“匹配、检索、优化”这些底层能力的理解是否透彻。知识面广是加分项但基础原理扎实才是决定项。KMP 这道题给我留下的印象最深因为它看似简单但背后需要你把字符串匹配从 O(mn) 优化到 O(mn) 的本质想清楚——减少无效比较。所有高效的算法本质上都是在做同一件事想办法跳过那些“注定不会成功”的比较和计算。这个思想体现在 KMP 的回退数组里体现在双塔模型的向量缓存里也体现在 Rete 算法共享节点的设计里。最后再分享一个我当时复盘时用的方法每套面试题做完不要只是看答案而是把每道题对应的知识点写在一张纸上然后问自己三个问题——这个算法解决什么问题它的时间复杂度为什么是这个如果换一个业务场景我还知道怎么用吗三个问题都能答上来这道题才真正变成你的东西。