一、算法基石：DFS 遍历与 JS 数组的“潜规则”

痛点：很多前端同学在刷题时只会写递归，却忽视了性能陷阱；面试时经常因为「默认参数」导致结果污染而卡住。

. 递归版 DFS 的“收集器”设计

在遍历树时我们通常需要一个容器来收集节点值。最优雅的写法是引入一个外部传入的数组参数：

function dfs {
if res =;说起来，// 常用方法：避免使用默认参数 res= 导致的引用污染
if return res;res.push，// 前序遍历：先处理根节点
dfs;dfs，return res;// 返回的是数组，而不是 res.length
}

复习要点：

• 为什么用 res 参数？充当“全局收集器”。避免在递归返回时频繁使用 展开数组，将时间复杂度从 O 调整到 O。
• push 的方向JS 的 push 在队尾添加元素，这完美契合了前序遍历“先访问的节点排在前面”的顺序。

. 迭代版 DFS：栈的逆序艺术

递归虽然优雅，但在树深度过大时容易栈溢出。使用手动栈实现迭代是必考题：

function dfsPreOrder {
if return;const stack =;const res =，while {
const node = stack.pop;// 后进先出
res.push;// 前序访问
// 主要灵魂：先压右节点，再压左节点
if stack.push;if stack.push;}
return res;}

复习要点：为什么要先右后左入栈？因为栈是“后进先出”，为了保证弹出的顺序是“先左后右”，入栈时必须反着来。话说回来，如果改成先左后右，就会变成“从右向左的前序遍历”。

. 延伸：广度优先搜索

BFS 与 DFS 的“不撞南墙不回头”不同。它使用队列实现层序遍历，主要思想是“层层递进”。面试常见题目包括二叉树最小深度、层序遍历等。

二、业务拓展：抖音推荐算法的“漏斗”逻辑

痛点：前端工程师往往只关注 UI。面对推荐程序的大模型、向量召回等概念感到陌生，不知道该从何下手复习。

. 第一步先：多模态架构

在 AI 的视角里视频不是像素堆砌，而是高维语义向量。抖音通过多模态技术，将视频转化为数千维的向量坐标：

• 视觉特征：使用 Vision Transformer 提取帧级画面信息。能够识别“猫”“程序员”等实体，并捕捉光影色彩判断情绪基调。
• 音频与文本：ASR 将配音转为文字。再结合 NLP 做语义分析，提取背景音乐节奏和说话人的情绪。

最终。一个视频在算法眼里变成了坐标系里的一个点，例如 “科技维度 5.2”、 “幽默维度 8.1”。

. 接下来：推荐漏斗

面对千万级的视频库，算法如何在毫秒内挑出使用者最爱看的那一条？这依赖于经典四层漏斗：

1. 召回：广撒网。一侧是使用者兴趣塔，一侧是视频特征塔。话说回来，通过毫秒级向量点积快速筛选出最相关的 K₁ ≈ 10⁴–10⁵ 条视频。协同过滤基于 “物以类聚。人以群分” 找到兴趣相似使用者，把他们看过的视频推给你。说起来，
2. 粗排：轻量模型计算作者历史表现、大类匹配度。将 K₁ 条压缩至 K₂ ≈ 千条。
3. 精排： 预测使用者行为概率。再看打分公式示例，

   
   Score = w1 * Click + w2 * Complete + w3 * Like + w4 * Comment + w5 * Share
   

   Wide&Deep 模型负责记忆高频特征和泛化潜在兴趣。
4. 重排： 兼顾环境与体验。如果精排前 N 名全是同类内容，重排机制会强制打散，防止审美疲劳。其实，

. 探索与利用

A/B 测试之外程序会采用固定比例的已知兴趣推荐 + 探索新兴趣策略。例如你对野外求生视频停留了>30 秒。一个新的兴趣 Tag 会被悄悄记录进画像，以供后续召回使用。

三、概念辨析：那些容易混淆的 Tag

Pain point: 复习笔记里经常出现名词堆砌，同学们难以区分概念边界导致答题思路混乱。

• tag：  推荐程序中它是使用者特点载体，社交网站上则用于话题检索。
• 多模态：  打破感官壁垒。让 AI 同时处理文字、图像、音频，是抖音精准理解视频内容的前提。
• ASR + NLP： ASR 完成“听音成字”，NLP 再对文字进行消歧、情感分析等深层语义抽取。

四、面试高频 Q&A

1. Q： 为什么 JS 中不推荐用 res= 作为默认参数？A：函数默认参数只在定义时创建一次多次调用如果不传参会共享同一数组引用，导致结果互相污染。应在函数内部判断 if res =;
   

Q: DFS 和 BFS 在实际业务中怎么选？A：DFS适合需要遍历所有可能解或回溯场景，如数独求解、迷宫方法；老实说，BFS适合寻找最短方法或层级关系，如社交网络好友推荐、地图导航。

A：主要通过重排阶段的随机扰动和探索机制。程序强制注入一定比例探索型内容。并依据使用者“不感兴趣”等负反馈实时调画像，从而防止单一兴趣闭环。​ ​

​

​ ​​

​ ​​ ​​

​​

​​​

​​​​​

​ ​