你负责一个用户 embedding 平台：2 亿用户 × 128 维 float32（单份约 100GB）。业务方要按 5000 个簇做分层运营，要求每晚在固定的 20 台机器（每台 8 核 / 32GB 内存 / 无 GPU）上 4 小时内完成一次重聚类；并且相邻两天的簇 ID 必须能对上，否则昨天的投放归因报表就断了。请回答：(1) 你会选哪种 KMeans 变体、用什么初始化，给一个量级估算说明 4 小时够不够、瓶颈在哪；(2) k=5000 这个数字你打算怎么论证；(3) 跨天的簇 ID 对齐你具体怎么做，代价多大、失败时怎么办。
面试官在考什么
判断候选人能否在真实内存/时间/业务连续性约束下把 KMeans 从「调库跑通」做成可运维的系统，而不是只会讲算法流程。
回答框架 · 前两步
- 量级估算决定瓶颈判断：数据 2e8×128×4B≈100GB，20×32GB 内存放不下完整副本还要留 buffer，必须按行分片或降到 fp16/PCA；单轮全量分配约 2e8×5000×128×2≈2.6e14 FLOP，20 机 8 核吃满 FP32 大约 8~10 TFLOP/s，单轮数十秒级——真正贵的不是 Lloyd 迭代，而是初始化、跨机 shuffle 和 IO。
- 初始化与变体：k-means++ 是 O(n·k·d) 且要跑多轮，在 k=5000 时不可接受，应改用 k-means||（采样 ~2~5k 个候选）或直接拿昨天的质心热启动；分布式下用 MiniBatch / 流式 Lloyd，若 embedding 已 L2 归一化应换成 spherical k-means（等价于 cosine），否则距离被向量模长主导。
还有 3 条答案要点、 3 层追问、 5 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
- 你有 500 万条 128 维用户 embedding，要聚成约 2000 个簇，单机 64GB 内存。你会选 MiniBatchKMeans 还是标准 KMeans？n_init、batch_size、tol 分别怎么定，空簇怎么处理，最后怎么判断这次聚类是可信的？
- 推荐系统要对 3000 万条用户 embedding（d=64, float32）做粗聚类分桶，k 在 1000~5000 之间，要求单机 128GB 内存、2 小时内跑完。你会选哪个聚类实现？k 怎么定？聚类质量怎么评估？
- 有一维数据集 {1,2,3,10,11,12,50}，用 KMeans 聚类，k=3，初始质心为 1、10、50。请写出第一轮簇分配和更新后的三个质心，并说明第二轮 50 还会不会单独成簇。距离使用欧氏距离。
- 8000 个商品 SKU，特征是从标题文本抽的归一化 embedding，你要输出一棵 3~5 层的类目树。如果直接用凝聚层次聚类：linkage 选哪种、为什么；8000 个点的内存和时间开销大概什么样；dendrogram 出来后你切在哪一层、依据什么？
- 商品库有 20 万 SKU、100 维特征，业务要求输出一棵可解释的分类树（不是扁平簇）。直接对 20 万样本跑凝聚层次聚类会怎样？你会怎么在规模与树结构之间取舍？
- 你要为 200 万个商品建一棵 3 层类目树（一级约 30 类、二级约 300、三级约 3000），给运营人工命名和打标；输入是已 L2 归一化的 256 维商品 embedding。约束：每天新增约 2% 的商品；运营已经命名过的节点不希望天天变；任务要在单机（256GB 内存、无 GPU）上 12 小时内跑完一次。请回答：(1) 你选什么 linkage、是否需要用近似方法，为什么；(2) 三层的切分点怎么定；(3) 每天 2% 的新商品怎么进树而不重建整棵树。