2023年秋天我投了掌阅科技算法岗还专门找了上一届的面经来刷。等到笔试邮件真正落进邮箱的时候心里反而踏实了——至少简历这关过了。掌阅这家的笔试风格和字节、阿里那些不太一样更偏业务落地算法题虽然也考但不会刻意刁难人反倒是一堆和推荐、搜索、文本理解相关的题目占了大头对于一个做阅读产品的公司来说这个导向其实非常明确。如果你也在准备这类内容平台公司的算法岗笔试我强烈建议你不要只埋头刷LeetCode而是要花时间搞清楚这家公司到底在用什么算法解决什么问题。掌阅的算法岗笔试本质上就是一轮筛选筛掉那些只会背题但不理解业务逻辑的人。接下来我就把这轮笔试的完整复盘、考点拆解和备考建议分享出来尽量还原当时真实考场上的每一步判断。1. 笔试整体印象与题型分布1.1 掌阅算法岗笔试到底考什么先给大家一个总体的印象2023年掌阅秋招算法岗笔试是在线进行的时长90分钟整体分为两大块一块是基础算法编程题另一块是机器学习、深度学习和推荐系统相关的理论题。编程题占比大概四成理论题占比六成。和很多大厂笔试动辄四道hard级算法题不同掌阅的编程题难度控制在leetcode中等偏下基本不考偏题怪题但理论题覆盖面很广从经典机器学习到深度学习模型再到推荐系统链路都会涉及。我印象最深的是整个试卷从第一题开始就带着一种强烈的“业务感”比如数据分析题会直接给你一个阅读用户的行为序列让你推导某个场景下的推荐策略输出。这种题不是靠刷题刷出来的而是要在平时做项目、看论文的时候有意识地积累业务直觉。所以如果你现在还在大而全地刷算法题建议赶紧调整节奏把重心放在机器学习模型原理和推荐系统的实践细节上。这里也给大家一个参考题型分布表是我根据记忆整理出来的大致比例不一定完全准确但可以帮助你判断复习重点题型分类大致占比考察重点难度感受编程题数据结构与算法40%数组、字符串、动态规划、贪心、搜索中等偏低机器学习理论题20%经典模型、损失函数、防止过拟合、特征工程中等深度学习理论题20%Transformer、Embedding、NLP基础中等推荐系统场景题15%召回、排序、冷启动、多样性中等偏高开放性设计题5%针对阅读场景设计算法方案有一定区分度这个结构让我有点意外的是纯粹的数据结构和算法题并没有想象中那么多但这并不意味着可以轻视。恰恰相反如果你连编程题都做不顺后面的理论题再多也救不回来。毕竟算法岗的笔试代码是敲门砖模型理论是分水岭业务理解是加分项。1.2 从题目反推岗位职责与团队方向笔试题目其实是一个很好的“岗位情报来源”。我做完掌阅这套题之后明显感觉到这个岗位背后需要承担的工作和这家公司的核心业务——数字阅读——是强绑定的。比如题目里频繁出现的书籍推荐、用户阅读偏好预测、搜索关键词匹配都暗示你入职后做的事情大概率集中在首页信息流推荐、书籍搜索排序、用户画像构建这些方向上。另外一个细节让我印象深刻试卷里有两道题都涉及长文本处理一道是小说摘要生成一道是长文本分类。这让我确认掌阅的算法团队一定在深耕NLP方向因为阅读平台上大量内容是长篇连载小说而且很多书的章节动辄几千上万字这和新闻、微博那种短文本场景完全不同。如果你对长文本建模没有概念只熟悉BERT跑个分类这种常规操作遇到这种题会很容易卡住。所以我的建议是准备掌阅笔试之前先去把它的APP下载下来花一个周末好好体验一下产品。看看首页的推荐位是怎么排的、书架里的书是怎么分类的、搜索结果是怎么排序的、评论区的情感倾向是怎么分级的。你只有真正理解了产品才能在做场景设计题的时候言之有物而不是生搬硬套模板。2. 基础算法与数据结构——笔试中的硬门槛2.1 高频考点排序、KMP与字符串处理虽然掌阅的算法题难度不算高但覆盖面还算广。排序算法是肯定跑不掉的我记得第一道编程题是和堆排序相关要求你用O(n log n)的复杂度排序一个大量重复元素的数组。这道题其实暗含了一个考点排序算法的稳定性以及面对大量重复元素时的时间复杂度退化问题。很多人上来就写Arrays.sort()但如果你说不清快排在极端情况下的退化原因这题的隐性分就丢了。字符串处理也是掌阅笔试的偏爱方向毕竟做阅读平台文本就是它的核心资产。我记得有一道题是和KMP算法相关的给出模式串pabacaba要求写出它的next数组计算过程。这道题看起来经典却非常能检验基本功。如果你只是会背代码而没理解next数组的语义很容易在计算的时候出错。这里给大家一个口诀式的记忆方式next[i]表示的是模式串前缀中子串的最长相等前后缀的长度。这里的“前缀”是包含当前字符i的子串而“最长相等前后缀”要求前缀和后缀相同但前缀不包含最后一个字符后缀不包含第一个字符。我分享一个我当时的手算过程大家对照着来感受一下。模式串p abacaba下标从0开始next[0]对于子串a没有真前缀和真后缀所以next[0] 0next[1]子串ab最长相等前后缀是0next[2]子串aba前缀a等于后缀a所以next[2] 1next[3]子串abac最长相等前后缀是0next[4]子串abaca前缀a等于后缀a所以next[4] 1next[5]子串abacab前缀ab等于后缀ab所以next[5] 2next[6]子串abacaba前缀aba等于后缀aba所以next[6] 3所以pabacaba的next数组是[0, 0, 1, 0, 1, 2, 3]。这个结果如果你能心算出来KMP这关基本就过了。除此之外二分查找、链表反转、二叉树遍历这些也都是常见考点。我建议你把剑指Offer里的经典题刷两遍再把LeetCode热门100题的简单和中等难度搞定掌阅算法岗的编程题基本就稳了。2.2 动态规划与贪心拉开差距的关键编程题里最让我纠结的是一道动态规划题题目大意是给定一个整数数组每次操作可以选择一个子数组并将其中所有元素减1问最少操作多少次能将整个数组变为0。这道题其实是经典的“用最少操作将数组变为0”的变体本质上可以通过贪心策略也可以借助单调栈的思想来做但在考场上紧张状态下很容易绕进去。我当时先是写了一个双重循环的朴素解法复杂度O(n^2)最后优化的版本是把问题等价为求“差分数组中正数之和”。这里也提醒大家一个考试技巧如果一时间想不出最优解先把暴力解写出来保证得分再在草稿纸上推导优化思路。笔试判分通常是有过程分的一个正确的暴力解很可能比一个思路错误但代码量大的“半成品”拿分更高。另外一道贪心题也很有意思有n本书每本书有一个阅读时间和一个收益值要求在给定总时间内选择若干本书使得总收益最大。乍一看是0-1背包的动态规划问题但仔细读题会发现每本书的阅读时间都是相同的这时候贪心选择收益最高的书即可。这种“伪装成DP的贪心”是笔试中非常爱考的类型它考验的是你对问题本质的洞察力而不是单纯的算法模板记忆。我自己在刷题的时候总结出了一个经验拿到算法题先不急着写代码花两分钟问自己三个问题——能不能排序能不能用双指针能不能用贪心证明如果三个问题都推翻再考虑动态规划、搜索这些更重的算法。这套思路帮我省下了大量时间。2.3 排序算法的复杂度对比与选型思路说到排序这是笔试中无论如何都绕不开的考点掌阅也不例外。我记得理论题里有一道给出多个排序算法的复杂度和稳定性让你选择最适合某种数据场景的排序方案。这类题最大的坑在于很多人只记住了平均复杂度却忽略了最坏情况复杂度和额外空间复杂度。这里给大家整理一份实用对照表直接背下来用就行排序算法平均时间最坏时间额外空间稳定性冒泡排序O(n^2)O(n^2)O(1)稳定快速排序O(n log n)O(n^2)O(log n)不稳定归并排序O(n log n)O(n log n)O(n)稳定堆排序O(n log n)O(n log n)O(1)不稳定计数排序O(nk)O(nk)O(k)稳定场景题如果问你“10万条阅读记录按时间排序选哪种”计数排序或归并排序就是更好的选择因为阅读时间通常集中在某个范围内计数排序能轻松跑进线性时间。但如果你只知道快排就会在这个送分题上失分。这就是我反复强调的做题不是背答案而是理解每个算法在真实数据场景下的适用边界。3. 机器学习与推荐系统——掌阅的重头戏3.1 经典机器学习理论从KNN到聚类算法掌阅笔试的机器学习理论题并没有刻意追求新潮反而很注重基础。比如有一道题问KNN算法的三个基本要素是什么答案是距离度量、K值选择、分类决策规则。看似简单但很多人只答得出“距离度量”和“K值”忘了“分类决策规则”。这道题提醒我经典机器学习算法的复习一定要回归教材不能只靠项目经验。聚类算法也是高频考点尤其是K-Means和DBSCAN的对比。笔试里的一道选择题是这样设置的给定一组噪声较多的用户行为数据问选择哪种聚类算法更合适并说明原因。正确答案是DBSCAN因为它能识别噪声点而K-Means对离群点敏感且需要预设簇数。这种题不是考你背概念而是让你在具体场景中做算法选型。我当时还遇到了一道和FM因子分解机相关的题问的是FM相比线性模型和多项式模型的优势是什么。这道题要用到特征交叉的概念来解释FM通过隐向量内积来建模二阶特征组合能在稀疏数据下更好地捕捉特征之间的关系。在推荐系统里用户的阅读历史、点击行为都是高度稀疏的所以FM以及它后续的DeepFM、xDeepFM等模型在业务中应用很广。掌阅考这个点说明候选人需要具备特征交叉和稀疏数据建模的基本意识。3.2 推荐系统核心链路召回、排序、重排推荐系统场景题是掌阅笔试里最有区分度的部分。有一道题我到现在还记得很清楚给定用户过去30天的书籍阅读记录、书籍的分类信息、书籍的热度信息让你设计一个首页信息流推荐方案。这道题看起来开放但其实是在考察你有没有完整的推荐系统知识体系。我的答题思路是先拆链路再讲细节最后补策略召回阶段可以同时使用协同过滤基于用户的协同过滤和基于物品的协同过滤、向量召回双塔模型生成用户和物品的Embedding用内积或余弦相似度召回、热度召回兜底保证内容多样性三路召回最后做融合去重。排序阶段粗排用轻量模型如双塔、FM精排用复杂模型如DeepFM、DIN训练数据来自用户的历史曝光和点击日志样本权重按业务目标调整比如完读率高的样本权重更大。重排阶段考虑多样性、新鲜度、频控等规则避免用户看到的全是同一类型的小说也避免同一个作者的书籍扎堆出现。这道题之所以让我印象深是因为它没有一个唯一的正确答案而是看你的方案是否有逻辑、是否可落地。哪怕你说用到了强化学习里的Bandit算法做冷启动探索只要你能自圆其说面试官也会认可。这也是我在做题时总结出来的经验场景题不用追求“标准答案”但要追求“思考框架的完整性”。3.3 排序与搜索算法从BM25到Learning to Rank掌阅有一个搜索业务所以在笔试中专门考了一道和文本检索相关的题给定一批书籍的标题和简介以及用户的搜索query让你设计一个搜索结果排序方案。这道题的得分点是BM25算法。BM25是一种经典的文本检索排序函数它的核心思想是对于一个查询词在文档中出现的频率越高文档得分越高但同时要考虑文档长度和整个语料库中该词的逆文档频率IDF。如果某个词在很多文档中都出现说明它区分度低权重应该下调。我当时把BM25的公式写了一遍然后针对书籍搜索场景做了两点补充一是引入书籍的热度作为乘法因子二是对完全匹配标题的结果做加权。这种“算法加业务规则”的组合才是面试官真正想看到的答案。顺便提一句Learning to Rank在搜索和推荐中的应用也是笔试潜在考点pointwise、pairwise、listwise三种策略的概念最好能熟练说出来。我当时准备了一个对比记忆pointwise把排序问题转化为回归或分类问题pairwise比较两两文档的顺序关系listwise直接优化整个排序列表的损失。掌阅笔试虽然没有直接考这三种策略的细节但在场景题里如果你能主动提到LTR能明显提升答案的专业度。3.4 冷启动与探索利用问题推荐系统里有一个无论如何都绕不开的问题——冷启动掌阅笔试自然也考了。题目是这样设计的一个刚注册的新用户几乎没有行为数据如何给他推荐书籍这个问题让我意识到我不仅要懂模型还要懂产品策略。我当时的回答分了三层第一层基于注册信息做粗粒度的个性化。比如用户注册时选择的兴趣标签、年龄段、性别用这些维度匹配书籍分类。第二层用热门书籍和编辑精选做兜底。新用户没有行为数据时推送平台整体热度最高的内容是最稳妥的方案。第三层用Bandit算法做探索。给用户展示一批候选书籍根据用户的即时反馈点击、加入书架、阅读时长动态调整推荐策略在探索和利用之间找平衡。这个问题背后其实还有一个更深层的考量冷启动不只是新用户的问题新书同样有冷启动问题。掌阅作为阅读平台每天都有大量新书上线如果推荐系统永远只推老书新书作者就没有动力继续创作了。所以你在回答冷启动问题时如果能补充说明“对新书做流量扶持”的策略会让你的答案更有业务深度。4. 深度学习与NLP——文本语义理解的底层能力4.1 Transformer与预训练模型的核心考点掌阅笔试的深度学习部分并没有直接让你默写Transformer的公式而是考了一些更实际的问题比如为什么Transformer要使用位置编码为什么自注意力机制能捕捉长距离依赖这类题目让我很欣慰因为这恰恰说明这家公司看重的是你对模型设计动机的理解而不是背公式的能力。如果你还没有深入理解Transformer我建议从“动机”入手来学而不是直接扎进源码。自注意力机制本质上是在计算序列中任意两个位置之间的相关性这解决了RNN无法并行、LSTM难以捕捉超长距离依赖的问题。位置编码的引入则是因为自注意力本身是“排列不变”的如果不加位置信息模型会把“我打你”和“你打我”当成完全相同的输入。掌阅笔试里有一道选择题问BERT的预训练任务有哪些答案是Masked Language Model和Next Sentence Prediction。我在这里多说一句BERT的MLM是随机mask掉15%的token让模型预测而不是全部mask这个细节很多人记不清。而且在实际业务中像小说这种长文本直接用BERT去做全篇编码并不现实更常见的做法是用分段编码或者用Sentence-BERT生成段落向量再去做下游任务。4.2 Word2Vec、Embedding与向量召回考完掌阅笔试之后我对Embedding的重要性有了更直观的感受。有一道题是给定一批书籍的阅读序列数据如何为每本书生成一个向量表示并用于相似书籍推荐。这道题实际上就是在让你设计一个Item2Vec的训练方案本质上是把Word2Vec的思想迁移到书籍序列上。我当时给出的方案是把每个用户在某段时间内阅读过的书籍按时间顺序排列形成一条“句子”然后把书籍当作“单词”用Skip-gram或CBOW训练得到书籍的Embedding。训练好之后计算两本书Embedding之间的余弦相似度就能作为相似书籍推荐的基础。这道题的延展考点是向量召回你可以在召回阶段先用向量相似度从海量书库中粗筛出Top200候选再进入排序模型精排。这种“向量召回加精排”的两阶段架构是当前工业界推荐系统的标配掌阅考这道题说明它的技术栈是紧跟主流趋势的。4.3 长文本建模与阅读场景的NLP应用掌阅笔试里有一道开放性设计题让我至今记忆犹新如何为一本连载中的网络小说自动生成章节摘要。这道题包含了两个难点一是文本长度很长二是连载小说的信息是逐步累积的早期章节的信息可能对后续摘要很重要。我当时的思路是分层处理先把章节按段落分块用预训练模型生成每个段落的向量表示然后对段落向量做聚类或关键句抽取选出信息密度最高的几个段落最后用生成式模型把选出的段落内容压缩成摘要。这个方法虽然不算新颖但至少能落地而且针对超长文本你不能一口气把整章塞进模型分治是必然选择。这道题给我的启发是掌阅的算法团队一定花了不少精力在长文本建模上因为网文的平均长度远超普通新闻和社交媒体文本。如果你有幸进入面试环节提前准备一些长文本建模的项目经验会是非常大的加分项。5. 备考策略与经验复盘——我的踩坑总结5.1 时间分配刷题、理论和业务的平衡回顾整个掌阅笔试的备考周期我觉得最值得分享的教训是时间分配比天赋重要得多。我在复习初期花了大量时间刷LeetCode hard题结果发现掌阅笔试的编程题难度根本到不了hard反倒是机器学习理论和推荐系统场景题占了很大比例。如果我一开始就能按照“40%刷题、40%理论、20%业务”的比例来安排时间应该能轻松很多。具体的备考路线我建议分成三个阶段。第一个阶段提前三周集中刷数据结构与算法重点复习数组、字符串、链表、树、动态规划、贪心这六大块。第二个阶段提前两周系统回顾机器学习和深度学习的核心概念包括经典模型的推导、损失函数的设计、过拟合的解决方案、Embedding的原理。第三个阶段提前一周针对目标公司做业务调研下载APP体验产品研究推荐方向和搜索方向的技术方案。我笔试前一周还专门做了个动作把掌阅过去半年的技术博客、招聘宣讲和公开分享看了一遍整理出了一些和业务相关的技术关键词。没想到笔试中真的有两道题可以用上这些信息一道是关于长文本摘要的一道是关于用户兴趣演进的。做产品公司的笔试题了解产品真的不是玄学。5.2 考场上的时间控制与答题策略在线笔试最大的风险是时间失控。掌阅这套题90分钟我实际写完编程题已经用了40分钟理论题只能加快速度。这里给大家一个非常实用的建议拿到卷子先花2分钟快速浏览所有题目把每道题的价值和难度做一个初步判断然后按“先易后难、先高分后低分”的顺序作答。编程题我强烈建议先写一个能跑通的暴力解再尝试优化。有些同学一上来就想写最优解结果卡在细节里最后连暴力解都没写完这是最可惜的。理论题遇到不会的也不要空着尽量写一些相关的知识点阅卷老师能看到你的思维过程会给出一定的步骤分。还有一个小技巧是多利用题目给的样例来理解题意。掌阅笔试中有一道题要求你实现一个带过期时间的缓存样例输入输出已经能反推出数据结构和算法逻辑了。如果你没看懂题面先跑一遍样例能帮你节省大量读题时间。5.3 复盘笔试后的自我评估与下一步准备笔试结束之后我花了一个晚上认真复盘了整套卷子。我给自己列了一个查漏补缺清单哪道题是应该做对的却做错了哪道题是完全不会的后续需要补哪道题是虽然做对了但效率不高的。这份清单直接指导了我后续的面试准备尤其是把推荐系统链路和长文本建模这两块知识反复巩固了一遍。如果你考完笔试之后收到了面试通知恭喜你接下来大概率会有两到三轮技术面试重点会围绕你的项目经历、算法推导能力和业务理解展开。笔试中没答好的题目面试官很有可能会追问所以复盘就显得格外重要。我能通过掌阅的后续面试很大程度上就归功于考后那晚的认真复盘。最后再分享一个我个人的小习惯每次笔试或者面试之后我都会把遇到的新题目和新的解题思路整理到一个专门的文档里按知识点打标签。平时不觉得有什么但秋招战线拉长之后这份“题库”就成了我最宝贵的备考资料。你要是现在还在秋招途中建议也从今天开始建立属于自己的题库笔记坚持记到最后一轮面试结束你会感谢自己这个决定的。