企业官网建设流程全解析

2023年腾讯音乐秋招技术研究岗第二批笔试，我是在九月中旬的某个晚上参加的。当时投的是TME的推荐算法方向，岗位名称叫“技术研究”，但实际做的东西和推荐系统、用户增长、内容理解都沾边。笔试用的是牛客的在线平台，双机位监控，三个小时，题量不算小，整体难度在当年的互联网大厂笔试里属于中上水平。这篇东西我就按自己的回忆和复盘来写，尽量把题型、考点、踩坑都讲清楚，给后面准备TME或者类似音娱公司算法岗的同学一个参考。

1. 笔试整体体验与题型分布

先说整体感受：TME的第二批笔试和我之前做的其他厂子风格不太一样，它更偏向“工程+算法”的结合，而不是纯刷题。

我当时拿到的卷子大概是四个部分：选择题、算法编程题、问答论述题、以及一道开放性系统设计题。总时长180分钟，但我实际做完只剩不到20分钟检查，时间非常紧张。选择题大概20道，单选多选混合，覆盖机器学习基础、深度学习、数据结构、概率统计和一小部分音频相关的信号处理常识。编程题三道，分值占比最高，其中两道是LeetCode中等偏上难度，一道是偏业务场景的模拟题。问答论述题两道，一道是模型调优类，一道是推荐系统策略类。最后一道系统设计题是给一个具体的音乐场景，让你设计方案。

从分值结构来看，编程题大约占40%，选择题占20%，问答和设计题占40%，所以纯coding能力强的人能拿基础分，但真正拉分的反而是后面那两道论述题和设计题。这一点我觉得是TME笔试和字节、阿里等偏重算法的笔试最大的区别，它非常看重你对业务场景的理解，而不只是模型能力。

时间分配上我吃了点亏。选择题我花了大概30分钟，编程题用了70分钟左右，但第三道题卡了挺久，最后问答和设计题只剩不到50分钟，写得比较赶。如果再来一次，我会把选择控制在20分钟内，给后面的设计题多留15分钟。

2. 选择题与基础知识点解析

选择题这部分，说难不难，但有几个点很刁钻，尤其是多选，错选一个就全错，拿分并不容易。我把能回忆起来的题型归了一下类，基本集中在以下几块。

2.1 机器学习与深度学习基础

这部分考得很常规，但要注意细节。比如有一道题是关于Bagging和Boosting的区别，选项里设置了一个很坑的干扰项：“Bagging可以降低模型的偏差，Boosting可以降低模型的方差”。这个说法就是错的，正确理解是Bagging主要降低方差，Boosting主要降低偏差。如果你只是背概念而没理解背后的数学原理，这道多选就很容易选错。

还有一道题是关于Batch Normalization的，问它在训练和推理时的差异。这个我印象很深，因为选项里说“推理时使用当前batch的均值和方差”和“推理时使用训练阶段累计的全局统计量”，正确答案是后者。很多同学如果不做推理部署，真的会忽略这个细节。如果你为了准备笔试去刷面经，这类题几乎是必考的，建议把BN、LayerNorm的原理彻底搞懂。

2.2 概率统计与数据结构

有一道概率题大概是这个意思：一个音乐App的日活用户中，每天听歌超过30分钟的用户占40%，在这部分用户中，开通会员的比例是30%，而在听歌不足30分钟的用户中，开通会员的比例只有10%。随机抽一个用户，发现他开通了会员，求他每天听歌超过30分钟的概率。

这就是典型的贝叶斯公式题。P(A|B) = P(B|A)P(A) / P(B)，其中P(A)=0.4，P(B|A)=0.3，P(B)=0.4×0.3+0.6×0.1=0.18，所以结果就是0.12/0.18=2/3。这种题难倒是不难，但考场上容易在算P(B)的时候漏掉用户分组，建议列个表格算，别心算。

数据结构部分有一道是关于红黑树和AVL树的对比，问在插入操作频繁的场景下哪个更合适。答案是红黑树，因为AVL树的平衡条件更严格，插入删除时旋转次数更多，虽然查询更快，但写入开销大。这道题如果只是背“红黑树是近似平衡”是不够的，还得理解为什么。

2.3 音频与信号处理常识

这部分大概是TME笔试的特色了。有一道题是关于音频采样率的，问的是“CD音质标准的采样率是多少”，答案是44.1kHz，选项里还混了48kHz和96kHz，后者常见于视频制作和高解析度音频，但CD标准就是44.1kHz。还有一道题问“傅里叶变换在音频分析中的作用”，选项有“提取音高”“去除噪声”“压缩音频”“识别乐器”，根据上下文选相关项。说实话这题不算难，但对纯推荐算法方向的同学来说可能有点冷门，我当时也是凭常识做的。

我的建议是，如果你的方向不是音频算法岗，不用花太多时间在这块，分值占比不高，把基础的采样定理、频谱概念搞明白就够了。

3. 编程题全解析：算法与数据结构的实战

编程题是整场笔试的重头戏，直接影响你能不能进下一轮。TME的三道题我回忆了一下，基本覆盖了“基础数据结构 + 二分/贪心 + 场景模拟”这三个层级。

3.1 第一题：链表重排

这道题我记得很清楚，是给一个单链表，要求按照“头节点、尾节点、第二个节点、倒数第二个节点”的顺序重新排列。比如链表是1->2->3->4->5，重排后变成1->5->2->4->3。

思路其实不复杂：先用快慢指针找到链表的中点，把后半部分反转，然后交替合并两个链表。这道题的核心考点就是“找中点 + 反转链表 + 合并链表”三步走，每一步都是链表题的基础操作。

我当时用的Python，写的时候没有用额外数组存储节点值，而是直接改指针，这样空间复杂度是O(1)。我见过一些同学直接用列表存节点再重建链表，虽然也能过，但在面试官眼里观感会差一些，可能影响后续面试的评价。如果你时间充裕，建议把这种链表题的“原地操作”练熟，笔试时能加分。

注意：这类需要修改链表结构的题目，写完一定自己走一遍“奇数节点/偶数节点”的边界case，偶数节点时合并操作的终止条件特别容易写错。

3.2 第二题：区间合并的变种

第二题是一个区间合并的变种，大概是给一组歌曲的播放时间段，每段用[start, end]表示，要求合并所有重叠的区间，并返回合并后的总时长。力扣上有个原题叫“合并区间”，但这题多了一个变化：有些区间的end是开区间，有些是闭区间，需要分开处理。

如果全是闭区间，先按左端点排序，再遍历处理就行。但开闭区间混合后，边界条件就复杂了。比如[1,5]和(5,10]应该算作有重叠，因为5这个点是闭的；但[1,5)和[5,10]就不重叠，因为你没有覆盖到5。我当时用了一个技巧：把开区间转换成小数。比如[1,5)变成[1, 4.999...]，(5,10]变成[5.001, 10]，这样就把所有区间统一成闭区间处理了。精度上注意用分数或epsilon来控制。

这个技巧是我在准备笔试时学到的一个骚操作，用在这里意外地好用。但要注意，如果后台测试数据比较严格，浮点数误差可能成为问题，保险起见可以用分数处理或者写一个比较函数。

3.3 第三题：模拟题——弹幕系统

第三题是一道场景模拟题，大致需求是：一个直播间的弹幕系统，要求实现两条功能，发送弹幕和查询某个时间点的弹幕列表。但有个限制，每个用户每10秒只能发一条弹幕，发送时如果违反了频率限制就丢弃。查询时，需要返回从当前时间往前推30秒内的所有弹幕，按时间从早到晚排序。

这道题本身逻辑不难，但实现的时候很容易绕晕。因为发送和查询是交替进行的，你得维护一个数据结构，既要支持高频插入，又要支持按时间窗口清理数据。我当时用的是队列来存弹幕记录，用字典存每个用户最近一次发送时间。队列只保留30秒内的弹幕，每次查询前先把队首过期的数据弹出。这样查询的时候直接遍历队列就是有序的。

这题的核心考点其实是“滑动窗口 + 哈希表”，不是什么高级算法，但如果你用list存所有记录然后每次查询都遍历，时间复杂度就顶不住了。约3秒就要查一次，查询窗口内弹幕数可能上千，遍历一次问题不大，但如果有10万次查询就超时了。我当时队列+哈希的解法，每次查询的时间复杂度是O(k)，k是窗口内弹幕条数，整体没问题。

心得：TME的编程题不会刻意出那种“一看就知道是某道力扣原题”的题，而是把常见的算法包装到业务场景里。这个思路和很多大厂笔试是一致的——他们想看的是你在有业务约束的情况下，能不能把基础算法用好。

4. 问答论述题：模型调优与推荐策略

问答论述题是最能拉开差距的部分，因为编程题大家都能写个七七八八，但论述题如果你没有实际项目经验，很难写出有深度的答案。我当时拿到两道题，一道是关于模型调优的，一道是关于推荐系统冷启动的。

4.1 点击率模型线上线下不一致的排查思路

这道题问的是：你训练了一个点击率预估模型，离线AUC表现很好，但上线后点击率没有提升，甚至下降了，请分析可能的原因并给出排查思路。

这道题非常经典，几乎是所有推荐、广告岗位的必考题。我答题的时候分了几层来写：

第一层，先怀疑特征一致性。线上和离线用的是否是同一套特征？有没有特征穿越，比如把未来信息当特征用了？有没有特征拼接逻辑不一致，比如离线用了标准化，线上忘了做？

第二层，怀疑样本分布不一致。线上遇到的样本和离线训练集的分布是否有偏移？比如离线训练数据是过去30天的，但用户的兴趣已经变了。如果是这种情况，可以引入在线学习或者做周期性重训。

第三层，怀疑模型本身的问题。比如离线AUC高但线上没提升，可能是模型过拟合了历史数据，泛化能力差。可以结合GAUC、AUC等指标做分层分析，看是不是只在某些用户群体上有效，整体被平均掉了。

第四层，怀疑实验设计和评估指标的问题。比如上了模型但流量分配不均匀，或者观察时间太短，点击率波动还没收敛。这时候要检查实验AA组的稳定性和置信区间。

这题我答得不算特别出彩，但亮点在于我把排查过程写成了“从特征到样本、从模型到实验”的递进逻辑，能体现实际问题排查的系统性。我后来在腾讯音乐的面试复盘里也把这个思路复用了一次，面试官反馈比较好。

4.2 新歌冷启动的推荐策略设计

第二道论述题更有业务感：平台上新歌很多，但大部分新歌没有用户行为数据，如果让它们参与推荐，怎么设计一套冷启动策略，保证新歌有露出机会，又不至于伤害用户体验。

这道题我先拆解了“体验”和“冷启动”的矛盾——新歌没有数据，模型预估不准，推荐出去用户不爱听，就会拉低时长和留存，但完全不推新歌，平台的内容生态就会僵化。所以核心就是“怎么在探索和利用之间做权衡”。

我的方案分了三条线：

线上一条，用Content-based策略兜底，提取新歌的音频特征（比如节奏、曲风、人声特征），计算和用户历史偏好歌曲的相似度，把相似度高的新歌推到用户的候选池里，但限制曝光占比，比如不超过10%。

第二条线，利用Bandit算法做探索，比如Thompson Sampling，给新歌一个较高的探索概率，根据用户的实时反馈（点击、完播、收藏、跳过）更新beta分布参数，好歌迅速提权，差歌快速降权。

第三条线，用冷启动迁移学习，把相似艺人的历史歌曲行为迁移到新歌上，或者用老歌做数据增强，训练一个“歌曲embedding”模型，让新歌在向量空间里有位置，再靠向量召回进入推荐链路。

最后我还加了一个兜底机制：新歌的曝光位控制在“非首屏”的次推荐位，并且加入时间衰减因子，如果一首歌曝光多次但反馈数据一直很差，就提前结束探索，减少用户体验损伤。答题时我强调这是一个“分层决策”系统，不是单点策略。

现在回头看，这题我答得比较好的原因在于，我不只是堆了一些名词，而是给出了“曝光控制、实时反馈、效果兜底”的闭环逻辑。这是面试官真正想看到的。

5. 开放性设计题：音乐场景下的个性化歌单生成

最后一题是一个综合设计题，和前面的论述题不同，它更偏系统整体架构。题目大概是：用户每天打开App，在“每日推荐”板块看到的歌单是由算法生成的，假设你是这个系统的负责人，请设计一套完整的歌单生成方案，要求覆盖数据收集、候选集生成、排序模型、线上服务、效果评估五个模块。

这道题的范围很大，给的时间又紧，我当时的策略是“框架优先、细节点睛”。先画出一个完整的推荐链路，然后在每个环节挑一两个最核心的点展开，而不是试图把所有细节都写全。

数据收集这块，我重点写了“实时行为流”和“离线特征仓库”的配合。实时流处理用户的点击、跳过、收藏等行为，延迟控制在秒级别，用于个性化召回的快速反馈；离线仓库则以天为单位更新用户的长期偏好，比如常听艺人、喜欢的语种、时段偏好等。

候选召回环节，我设计了多路召回策略：基于用户历史播放列表的协同过滤召回、基于歌曲embedding的向量召回、基于艺人维度的聚类召回，以及热门歌曲兜底召回。多路召回的目的是保证候选集的多样性，避免排序模型只在单一类型里打转。

排序部分我写的是“粗排 + 精排”两阶段。粗排用双塔模型，对全量候选做一个快速打分；精排用DeepFM类模型，加入更多交叉特征。我特意提了一句“样本偏差修正”，因为粗排筛掉的样本不会进精排训练集，会导致精排学到有偏的分布，这个细节能体现你对工程链路有真正的理解。

线上服务我写的是“多级缓存 + 增量更新”。歌单列表接口的RT要求很高，一般要控制在50ms以内，所以方案里要有redis缓存和预计算逻辑，同时要支持用户最近行为对结果的实时扰动，比如用户刚收藏了一首歌，希望在下一轮刷新时能看到类似风格的歌。

效果评估这块我写了两层目标：第一层是业务指标，包括推荐点击率、完播率、人均播放时长和次日留存；第二层是策略评估指标，包括新歌曝光占比、冷启动成功率、推荐多样性（类别熵）。我说评估的关键是“分层看指标”，不能只看均值，还要看不同用户群的差异，比如深度用户和新用户在同一策略下的反应可能是完全相反的。

这题的分数我估计拿得不错，因为结构清晰，而且每一块都能落地，没有什么空话。

6. 备战复盘与避坑指南

笔试结束后我做了好几轮复盘，主要针对时间管理、薄弱知识点和心态调整这三个维度。这可能是这篇博客里最值得反复看的部分，因为我确实用血泪换来了这些经验。

6.1 时间分配与做题顺序的建议

做题顺序真的是笔试最大的隐形分数。我的建议是，不要按题目顺序做，而是先花3分钟扫一遍所有题目，标记出“会做但耗时”和“有点思路但不太确定”的题。优先做选择题中确定能拿分的，再做编程题里你最有把握的那道，最后攻坚难题和设计题。

编程题的时间定额也很重要。一道题如果30分钟内没有稳定的AC思路，先标记跳过，不要恋战。我当时就是卡在第三道模拟题上，结果后边的论述题时间不够，写出来的质量明显比预期低。现在回头看，第三道题即使只写个暴力版本也能拿一部分分，但论述题如果答得空洞，一分都拿不到。要学会“止损”。

6.2 我的备战周期和核心资料

我是收到笔试邮件之后才开始集中复习的，大概有一周的准备时间。这一周里我做了三件事：第一是用力扣刷了80道高频题，重点覆盖二分、链表、二叉树、动态规划、滑动窗口这几个专题；第二是把机器学习面试高频考点系统性过了一遍，包括偏差方差、正则化、交叉验证、BN原理、常见损失函数等；第三是找了两篇推荐系统相关的技术博客精读，关于冷启动和双塔召回的。

如果你准备的时间更充裕，我建议提前一个月开始做分配表。前三周每周一个专题，最后一周专门做“真题模拟”和复盘。刷题不在数量多，关键是每道题都要能讲清楚时间复杂度和为什么对，这样笔试时即使碰到变种题也能快速迁移。

6.3 常见失分原因和应对策略

我复盘时发现自己失分主要有三个原因：一是多选题漏选，考场上为了保险只选确定的项，结果漏了正确答案；二是编程题忘记处理输入输出的边界条件，比如链表为空、区间重叠的边界等；三是论述题写得太平，只列要点没展开。这三个问题都有对应的应对方法：多选题练习时就要逼自己写出每个选项对或错的依据，不能“感觉对”；编程题提交前必须检查空值、单元素、大数等边界情况；论述题写作时强制用“结论-理由-例子”的结构。

注意：笔试结束后，建议立刻把你记得的题目做一遍完整复盘，写成文档。这不仅是巩固知识，更重要的是，TME的面试很可能会问你笔试时的思路，如果你能拿出一个清晰的分析文档，会显得非常专业。

6.4 心态调整与临场发挥

最后一个想聊的是心态。我参加笔试那天，正好赶上学校实验室的组会，时间非常紧张，进考场前十幾分钟还在处理实验数据。结果前半小时我脑子都是懵的，选择题硬是看了两遍才敢选。后来我深呼吸调整了一下，告诉自己“目标不是满分，是过线”，心态反而稳了，后面的题做得顺了很多。

所以我的建议是，考前留出至少半个小时的“放空时间”，不要再看任何技术资料，让大脑进入一个干净的状态。遇到不会的题，先跳过，不要在单题上耗太久。这是一个“全局最优解”的游戏，不是每道题都要完美，能拿到80%的分数已经是很好的结果。

7. 个人对这场笔试的复盘总结

写完上面这些内容，我最大的感受是：TME的技术研究岗笔试，本质上是在筛选“能把算法用于实际业务”的人。它不像一些公司那样只考模型推导或只考算法题，而是试图在你解题的过程中，看出你有没有产品sense和工程思维。

我后来顺利进入了面试环节，面试时有一半以上的时间都在围绕笔试中的设计题展开，问怎么评估冷启动效果、怎么权衡探索和利用、如果线上效果不好怎么排查。这些问题如果笔试时没有认真思考过，面试现场会非常被动。

如果你正在准备类似岗位，我建议你除了刷题、看理论，也要多问自己一句：“这个模型/算法在这个业务场景下，到底为什么有效，什么时候会失效？”想清楚这个问题，你的笔试和面试都能上一个台阶。