10 万条样本、128 维 embedding，要同时做「相似样本检索」和「K 近邻投票分类」，线上要求 p99 < 30ms，允许少量精度损失。候选方案：(A) 暴力 KNN 全量算距离；(B) KD 树；(C) HNSW 或 IVF 这类近似最近邻索引 + KNN 投票。你选哪个？并说清 KD 树在 128 维会退化到什么程度、为什么。

面试官在考什么

判断候选人是否理解维度灾难对树形索引的影响，以及近似检索引入的误差如何评估和补偿。

KNN

回答框架 · 前两步

1. 暴力法的复杂度是 O(n × d)，10 万 × 128 维每查询约千万次乘法加法，单线程进 30ms 很难，但可以用向量化、SIMD、批量查询压下来；规模再往上就不行了。
2. KD 树在低维（大致个位数维度）能有效剪枝，维度升高后几乎所有点都落在分裂超平面附近，剪枝条件几乎不成立，退化到接近全量扫描，同时还要额外付建树和回溯开销。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 避坑与冲刺：简历自洽、六种扣分话术、D-7 准备表

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。
• 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。
• 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。