如何识别高频问题并在热点变化时动态缓存复用
哪些公司问过
答案要点
- 问题先归一化,再用 embedding 语义聚类,把不同问法归到同一个问题再计数
- 按滑动窗口统计频次:小规模用 Redis ZSET 取 TopN,大规模用 Count-Min Sketch 加小顶堆做近似 TopK
- 热点变化靠时间衰减计数和 LFU 加 TTL 淘汰,旧热点自动降权出局
- 语义缓存:问题向量入库,相似度超过阈值直接复用答案,阈值需离线评估误命中率
- 超热 key 加本地缓存做二级缓存,数据源更新时按关联关系主动失效
易错点
- 只按原始字符串精确计数,同义问法被拆散,识别不出真正的高频问题
- 计数没有时间衰减,历史热点长期占着缓存,新热点挤不进来
- 语义缓存阈值设太低,把意思不同的问题当成同一个,返回错误答案
- 缓存没有失效机制,数据更新后还在返回旧答案
面试官常见追问
- 语义缓存的相似度阈值怎么定?
- 某个问题突然爆火,缓存失效时怎么防止击穿?
- 缓存的答案过时了怎么办?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。