搜广推校招面经八十

美团广告算法工程师

一、求平方根（力扣69. x 的平方根 ）

• 思路：这里只需要保留整数部分，换句话说就是求输入的非负整数 x，返回最大的非负整数m，满足$x^2<=x$。使用二分查找解决。
• 代码：

class Solution:
	def mySqrt(self, x):
		left, right = 0, min(x+1, 46341)
		while left + 1 < right:
			m = (left + right) // 2
			if m * m <= x:
				left = m
			else:
				right = m
		# 循环结束：left + 1 = right
		return left

二、手撕 sqrt(x)：牛顿迭代法 & 梯度下降法

2.1. 牛顿迭代法（Newton-Raphson）

• 目标： 求解 $f(x)=x^2-a=0$ 的正根（即 $\sqrt{a}$）
• 推导：
  • 设 $f(x)=x^2-a$，$f^{\prime }(x)=2x$
  • 牛顿迭代公式：
    $$x_{n+1}=x_n-\frac{f(x_n)}{f^{\prime }(x_n)}=\frac{1}{2}(x_n+\frac{a}{x_n})$$
• 代码实现（Python）：

def sqrt_newton(a, tol=1e-6, max_iter=100):
    if a < 0:
        raise ValueError("不能对负数开平方")
    if a == 0:
        return 0
    x = a / 2
    for _ in range(max_iter):
        x_next = 0.5 * (x + a / x)
        if abs(x - x_next) < tol:
            break
        x = x_next
    return x

2.2. 使用梯度下降法

我们要计算 $\sqrt{a}$，可以将其转化为一个优化问题：
$$\underset{x}{\min }(x^2-a{)}^2$$
这个函数在 $x=\sqrt{a}$ 和 $x=-\sqrt{a}$ 处取最小值（为0），因此通过最小化这个目标函数，可以求得平方根。
设：

• 目标函数：$f(x)=(x^2-a{)}^2$
• 梯度（导数）：$\nabla f(x)=\frac{d}{dx}[(x^2-a{)}^2]=4x(x^2-a)$

2.2.1. 梯度下降更新公式

$$x_{n+1}=x_n-\eta \cdot 4x_n(x_n^2-a)$$

其中：

• $\eta$ 是学习率（learning rate）
• $x_n$ 是当前估计值

2.2.2. Python 实现

def sqrt_gd(a, lr=0.01, tol=1e-6, max_iter=10000):
    if a < 0:
        raise ValueError("不能对负数开平方")
    if a == 0:
        return 0
    x = a / 2  # 初始值
    for _ in range(max_iter):
        grad = 4 * x * (x ** 2 - a)
        x_next = x - lr * grad
        if abs(x - x_next) < tol:
            break
        x = x_next
    return x

三、广告算法中，为什么要建模用户的中间行为（如CTR、CVR），而不是直接建模eCPM？

3.1. 中间行为建模能更好地捕捉因果结构

广告行为流程通常是：展示 → 点击 → 转化，存在天然的因果关系：

• CTR（点击率）：展示后是否点击
• CVR（转化率）：点击后是否转化
• eCPM（有效千次展示收益）：bid × pCTR（或更复杂公式，如 bid × pCTR × pCVR × 值）
  直接建模 eCPM 会混淆这些阶段，模型无法学习明确的用户行为逻辑。而分阶段建模，更贴合业务流程、可解释性更强。

3.2. 中间任务易于监督、更易训练

• CTR 与 CVR 是清晰的二分类任务，历史数据丰富、监督信号明确；
• eCPM 是组合指标，受出价、用户行为、策略等多因素影响，难以作为有效 label；
• 中间行为建模训练更稳定、收敛更快。
• 支持独立训练 CTR / CVR 模型，调试方便；
• 方便组合策略模型（如出价策略、排序策略）；
• 容易扩展为多任务结构，如加上兴趣预测、曝光校准等模块。

3.3. 中间建模支持多目标调控和多业务场景适配

• 不同业务目标：点击、转化、ROI、GMV 等；
• 可根据业务需求灵活组合公式，例如：

  pCTR × bid
  pCTR × pCVR × 商品价值
  

• 多目标调度、多策略匹配更灵活。

3.4. 直接建模 eCPM 存在缺陷

• bid 变化大，导致 eCPM 不稳定；
• 高 eCPM 样本稀缺，训练难度大；
• 易受竞价机制变化影响，泛化能力差；
• 缺乏清晰可解释性，不利于运维和策略调试。

3.5. 多任务学习

• 多任务学习（MTL）下同时建模 CTR / CVR / eCPM 的方法；
• 预估 + 策略分离的排序架构；
• 基于用户生命周期价值（LTV）的联合建模策略。

四、437. 路径总和 III

- 思路：这道题和之前的和为k的子数组是一个方法，也就是前缀和。

• 代码：

class Solution:
	def pathSum(self, root):
		ans = 0
		cnt = collections.dafaultdict(int)
		cnt[0] = 1
		def dfs(node, s):
			if node is None:
				return
			nonlocal ans
			s += node.val
			ans += cnt[s-targetSum]
		cnt[s] += 1
		dfs(node.left, s)
		dfs(node.right, s)
		cnt[s] -= 1
	dfs(root, 0)
	return ans