字节数据科学产品基础设施面经

TikTok推荐Feed是产品的核心。你认为这个Feed流主要在优化哪些目标？这些目标之间可能存在哪些冲突或需要Trade-offs？

追问： 例如，在“用户短期使用时长”和“内容生态多样性”这两个目标之间，你认为平台应该如何权衡？作为数据科学家，你会如何设计指标来量化和监控这种平衡？

假设我们观察到日本用户的评论率显著低于巴西用户，你会如何设计一个分析框架来探究这背后的原因？

追问： 你的分析会包含哪些维度的假设（例如，文化习惯差异、输入法体验、评论区产品设计差异、内容类型差异等）？你会寻找哪些数据来验证或推翻这些假设？

我们想上线一个实验，测试一个新的推荐算法，该算法旨在提升用户的“探索性”，即给用户推荐更多他们之前未接触过的新领域内容。这类实验的挑战在于，短期内可能会轻微降低用户的核心互动指标（如点赞率）。请你设计一个A/B实验方案来全面评估这个新算法的价值。

追问1： 你会如何定义和衡量“探索性”和“用户长期满意度”？除了核心的互动指标，你还会关注哪些长期留存或生态健康度的指标？

追问2： 如果实验周期有限，无法充分观察长期影响，你会如何处理和解读实验结果，并给出是否推全的建议？

我们想评估“在Feed中看到更多直播内容”对“用户次月电商消费金额”的影响。如果无法进行完美的A/B实验，你了解或会考虑使用哪些因果推断的方法（如倾向性得分匹配PSM、双重差分DID、工具变量IV等）来估算其因果效应？

追问： 请选择其中一种方法，简单描述其核心思想和应用前提。你认为在TikTok这个场景下，应用这种方法可能最大的挑战是什么？