某推荐场景有 3 亿条训练样本、2 万维特征（约 95% 的取值为 0，以稀疏 one-hot 为主）。业务要求：全量重训能在 2 小时内跑完，线上单次预测 p99 < 10ms，资源只有 CPU 集群、没有 GPU。现在有三个方案：(A) 逻辑回归 + FTRL 在线学习，边服务边更新；(B) 逻辑回归 + L-BFGS 离线全量重训，每天一次；(C) 直接换成 2 层 MLP。请给出你的选型，并说清楚在什么监控信号出现时你会推翻它。
面试官在考什么
判断候选人是否真的在高维稀疏、低延迟、无 GPU 的约束下做过线性模型选型，而不是背 LR 的公式和优缺点。
回答框架 · 前两步
- LR 在该场景成立的理由要落到稀疏性上：高维 one-hot 下线性模型本身就能承载大量 ID 类特征，推理只是稀疏向量内积，CPU 上延迟可控，训练可以用 SGD/FTRL 规避全量二阶计算。
- A 与 B 的取舍要具体：A 省掉重训窗口、能吸收实时反馈，但带来在线学习率与正则调参、模型不可复现、回滚困难；B 可复现、易做离线评估，但要在 2 小时内扫完 3 亿样本，必须靠稀疏存储格式加分布式并发。
还有 2 条答案要点、 3 层追问、 4 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
想看这个方向的整体准备路线？ 进入「机器学习基础」方向页
同一能力域的其他题
- GBDT 和 XGBoost 的关系是什么？XGBoost 相比 GBDT 做了哪些工程与数学上的改进？
- 特征重要性你一般怎么看？树模型的 gain 重要性和 permutation importance 各有什么局限？
- 你在做一个点击率预估模型，训练集 2000 万条，真实正样本率是 1%。你用带截距的逻辑回归训练完之后，验证集 AUC=0.78（看起来正常），但把验证集上的预测概率求平均得到 0.29。请说出你会按什么顺序排查，每一步的判据是什么。
- 线上一个 LR 二分类模型，每天全量重训，离线训练 AUC 稳定在 0.790，但近 7 天线上 AUC 从 0.780 单调掉到 0.762；模型容量、特征列表、样本量都没有改动。PM 要求本周内把模型换成 XGBoost 来提效果。你作为模型负责人，第一周会做什么？请给出你的归因顺序和判断依据。
- 一个 5 万样本、50 维的二分类任务，你直接用 SVC(kernel='rbf') 训练，跑了一小时没跑完、内存也吃紧。换成 LinearSVC 后 3 分钟训完，但验证集 F1 掉了 4 个点。请说明 RBF 核在这里慢在哪，并给出 2~3 条能同时保住效果的替代方案。
- 手头数据 2 万条样本、200 维稠密特征，正负样本基本平衡，画图看决策边界明显非线性。候选方案：(A) RBF 核 SVM；(B) 线性 SVM + 人工构造的交叉特征；(C) GBDT。约束是：只能在一台 16 核 CPU、无 GPU 的机器上训练，要求 30 分钟内训完，之后每月重训一次。你选哪个，并说清核 SVM 在这个规模下的瓶颈具体在哪。