字节跳动面试攻略2026：从简历到Offer全流程

# 1. 抖音推荐去重
# 给定用户观看历史，推荐不重复的视频
def recommend_videos(history, all_videos, k):
    """
    history: 用户已观看视频ID列表
    all_videos: 所有视频及热度 [(id, score), ...]
    k: 推荐数量
    返回: 推荐视频ID列表
    """
    watched = set(history)
    candidates = [(id, score) for id, score in all_videos if id not in watched]
    candidates.sort(key=lambda x: -x[1])
    return [id for id, _ in candidates[:k]]

# 2. 今日头条文章推荐
# 基于用户兴趣标签推荐文章
def recommend_articles(user_tags, articles, k):
    """
    user_tags: 用户兴趣标签集合
    articles: 文章列表 [(id, tags, score), ...]
    返回: 按匹配度排序的文章
    """
    scored = []
    for id, tags, base_score in articles:
        match = len(user_tags & set(tags))
        scored.append((id, match * 10 + base_score))
    scored.sort(key=lambda x: -x[1])
    return [id for id, _ in scored[:k]]

用户行为收集 → 特征计算 → 召回 → 排序 → 重排 → 推荐

关键组件：
1. 实时特征服务（Flink）
2. 向量召回（Faiss/Milvus）
3. 排序模型（DeepFM/DIN）
4. 缓存层（Redis集群）
5. 特征存储（HBase/ClickHouse）

STAR法则：
S (Situation): 项目背景和问题
T (Task): 我的任务和目标
A (Action): 我采取的行动
R (Result): 最终的结果和数据

加分项：
- 有数据支撑（性能提升X%）
- 有对比分析（方案A vs 方案B）
- 有反思总结（如果重来会怎么做）

1. 先问薪资范围
   "请问这个岗位的薪资范围是多少？"

2. 给区间而非具体数字
   "我的期望是35-45K，可以根据具体工作内容调整"

3. 强调价值
   "我在上家公司负责的核心项目，为公司节省了XX成本"

4. 留有余地
   "薪资只是考量的一部分，我更看重成长空间"