解读

面试官想验证三件事：

1. 能否把“业务目标—用户场景—算法输入”串成一条线，而非简单罗列字段。
2. 是否具备“数据最小够用”意识，能识别国内合规红线（个人信息保护法、数据安全法、推荐算法管理规定）。
3. 能否用成本视角权衡“多一条字段”带来的存储、标注、合规与潜在舆情代价。

因此，回答要体现“场景驱动、合规优先、ROI 量化”的三段论，并给出可落地的筛选原则。

知识点

1. 推荐系统三要素：User Profile、Item Profile、Interaction Context。
2. 国内合规“双清单”制度：个人信息收集清单+算法备案特征清单，敏感个人信息需单独同意。
3. 数据冗余判定公式：边际增益 ΔAUC × 业务价值 ＜ 边际成本（存储+合规+延迟+标注）。
4. 冷启动阶段允许“宽进严出”，上线后通过 SHAP、Ablation Study 做特征瘦身。
5. 埋点五级模型：Who-When-Where-What-Why，缺失 Why 时可用因果推断补全，而非盲目加字段。

答案

我会按“场景→必要→冗余→合规”四步回答，并给出可落地的筛选原则。

一、场景先行：先锁定业务北极星指标

以短视频推荐为例，北极星指标是“单 DAU 停留时长”，拆解三级漏斗：
曝光→有效播放（>3s）→完播（>90%）→点赞/关注。
所有数据必须能解释其中至少一个环节的方差，否则不进候选池。

二、必要数据（最小够用集合）

1. 用户侧
   a. 匿名 UserID + 设备 ID（合规已做去标识化）。
   b. 主动兴趣：点赞、关注、收藏、搜索关键词（近 30 天）。
   c. 被动兴趣：有效播放与完播的 ItemID 序列（带时间戳，用于序列建模）。
   d. 上下文：接入网络类型（Wi-Fi/5G）、时段、粗略地理位置（省级网格，精度<1 km，避免 GPS 精确定位）。
2. Item 侧
   a. 内容指纹：作者 ID、一级/二级分类、时长、标签（NLP 抽取，人工审核白名单）。
   b. 质量信号：历史 7 日完播率、举报率、搬运识别结果。
3. 交互上下文
   a. 曝光位次（第几刷第几位）、卡片类型（单列/双列）。
   b. 实时反馈：是否滑走、停留时长（毫秒级埋点）。

三、冗余数据（常见“坑”字段）

1. 精确 GPS 坐标：省级网格已足够，精确定位需“单独同意”且增益<0.3% AUC，直接砍掉。
2. 手机通讯录、短信、安装列表：除非做社交推荐且能拿出“增强式同意”记录，否则合规风险>>收益。
3. 用户生日、性别、头像 URL：在短视频场景下，模型 Ablation 显示去掉后 AUC 下降 0.1%，但减少 15% 的个人信息采集量，综合 ROI 为负，视为冗余。
4. 过度历史：三年前的播放记录对当前兴趣衰减权重<0.01，存储与计算成本线性增长，保留 90 天即可。
5. 高共线性字段：如“作者粉丝数”与“作者近 30 日平均播放数”Pearson 系数 0.92，保留后者即可。

四、合规落地机制

1. 建立“特征合规看板”，每新增字段需登记来源、用途、保存周期、删除策略，同步法务评审。
2. 上线前做 Privacy Impact Assessment（PIA），敏感个人信息字段若无法提供显著业务增益，一票否决。
3. 采用联邦统计或差分隐私获取群体偏好，避免原始数据出域。

拓展思考

1. 冷启动 vs 成熟期：新用户首日可临时采集“安装列表”做 one-time 兴趣推断，24 小时后自动删除，兼顾体验与合规。
2. 多价值目标冲突：若同时优化“停留时长”与“电商 GMV”，需引入多任务学习，此时“是否带货标签”成为必要，而纯内容场景下该字段冗余。
3. 实时性成本：把“用户 5 分钟内最新滑走序列”加入特征，线上实验显示 AUC +0.8%，但 P99 延迟 +40 ms，需用边缘缓存或特征预聚合做折中。
4. 数据主权出口：若未来出海中东，需把“饮酒兴趣标签”视为敏感甚至违法，提前在特征仓库做地域隔离，避免全量同步。