京东算法工程师面试题及答案解析

2026年京东算法工程师面试题及答案解析一、编程题（共3题，每题15分，总分45分）题目1（15分）：数据结构——动态数组实现请实现一个动态数组（类似Java中的ArrayList）的基本功能，包括初始化、添加元素、获取元素、删除元素和获取数组容量。要求：1.动态数组初始容量为10，当数组元素个数达到容量时，需要将容量扩大为原来的1.5倍。2.提供以下方法：-`add(intelement)`：添加元素到数组末尾。-`get(intindex)`：获取指定索引的元素。-`remove(intindex)`：删除指定索引的元素。-`size()`：返回数组当前元素个数。-`capacity()`：返回数组当前容量。答案解析：javapublicclassDynamicArray{privateint[]data;privateintsize;privateintcapacity;publicDynamicArray(){capacity=10;data=newint[capacity];size=0;}publicvoidadd(intelement){if(size==capacity){capacity=(int)(capacity1.5);int[]newData=newint[capacity];System.arraycopy(data,0,newData,0,size);data=newData;}data[size++]=element;}publicintget(intindex){if(index<0||index>=size){thrownewIndexOutOfBoundsException("Index:"+index+",Size:"+size);}returndata[index];}publicvoidremove(intindex){if(index<0||index>=size){thrownewIndexOutOfBoundsException("Index:"+index+",Size:"+size);}for(inti=index;i<size-1;i++){data[i]=data[i+1];}size--;}publicintsize(){returnsize;}publicintcapacity(){returncapacity;}}解析：1.初始化时，动态数组容量为10，通过`data`数组存储元素，`size`记录当前元素个数，`capacity`记录当前容量。2.`add`方法：当数组达到容量时，将容量扩大为原来的1.5倍，并复制旧数组到新数组中。3.`get`方法：返回指定索引的元素，需要检查索引是否越界。4.`remove`方法：删除指定索引的元素，并将后续元素前移一位。5.`size`和`capacity`方法：分别返回当前元素个数和容量。题目2（15分）：算法设计——TopK问题给定一个整数数组`nums`和一个整数`k`，请设计一个算法，找出数组中前`k`个最大元素。要求：1.不使用排序算法，时间复杂度优于O(nlogn)。2.可以使用快速选择算法（Quickselect）的变种。答案解析：javaimportjava.util.Random;publicclassTopKElements{privateRandomrandom=newRandom();publicint[]topK(int[]nums,intk){if(nums==null||nums.length==0||k<=0){returnnewint[0];}intn=nums.length;intleft=0,right=n-1;inttarget=n-k;while(left<right){intpivotIndex=partition(nums,left,right);if(pivotIndex==target){break;}elseif(pivotIndex<target){left=pivotIndex+1;}else{right=pivotIndex-1;}}returnArrays.copyOfRange(nums,0,target);}privateintpartition(int[]nums,intleft,intright){intpivotIndex=left+random.nextInt(right-left+1);intpivot=nums[pivotIndex];swap(nums,pivotIndex,right);intstoreIndex=left;for(inti=left;i<right;i++){if(nums[i]>pivot){swap(nums,storeIndex++,i);}}swap(nums,storeIndex,right);returnstoreIndex;}privatevoidswap(int[]nums,inti,intj){inttemp=nums[i];nums[i]=nums[j];nums[j]=temp;}}解析：1.快速选择算法（Quickselect）是基于快速排序的变种，时间复杂度期望为O(n)。2.随机选择一个pivot，将数组分为两部分：大于pivot的元素和小于等于pivot的元素。3.根据pivot的位置与target的位置关系，调整左右指针，直到找到前k个最大元素。4.最终返回前k个最大元素。题目3（15分）：动态规划——最长递增子序列给定一个整数数组`nums`，请设计一个算法，找出数组的最长递增子序列（LIS）的长度。要求：1.动态规划解法，时间复杂度为O(nlogn)。2.可以使用二分查找优化。答案解析：javaimportjava.util.Arrays;publicclassLongestIncreasingSubsequence{publicintlengthOfLIS(int[]nums){if(nums==null||nums.length==0){return0;}int[]tails=newint[nums.length];intsize=0;for(intnum:nums){intleft=0,right=size;while(left<right){intmid=left+(right-left)/2;if(tails[mid]<num){left=mid+1;}else{right=mid;}}tails[left]=num;if(left==size){size++;}}returnsize;}}解析：1.使用动态规划数组`tails`，其中`tails[i]`表示长度为i+1的递增子序列的最小末尾元素。2.遍历数组，对于每个元素，使用二分查找找到`tails`中第一个大于等于当前元素的索引。3.如果该索引等于`size`，说明当前元素可以扩展最长子序列，`size`增加。4.否则，更新`tails`中对应索引的值为当前元素。5.最终`size`即为最长递增子序列的长度。二、系统设计题（共2题，每题25分，总分50分）题目4（25分）：分布式系统设计——高并发短链接生成服务请设计一个高并发的短链接生成服务，要求：1.系统需要支持高并发访问，每秒处理数万次请求。2.短链接长度要求为6位，可以是数字或字母。3.需要保证短链接的唯一性和可逆性。4.可以使用分布式缓存和数据库，说明技术选型和数据存储方案。答案解析：1.系统架构：-接入层：使用Nginx或HAProxy进行负载均衡，将请求分发到多个后端服务。-服务层：使用无状态的RESTfulAPI服务，部署在多个服务器上，可以使用SpringBoot或Node.js。-分布式缓存：使用Redis或Memcached存储短链接映射关系，提高查询效率。-数据库：使用MySQL或PostgreSQL存储短链接数据，保证数据持久化。2.短链接生成算法：-使用Base62编码（包含数字0-9、字母a-z、A-Z），将长链接转换为6位短链接。-使用自增ID或UUID生成唯一标识，再进行Base62编码。3.数据存储方案：-Redis：存储短链接映射关系，键为短链接，值为长链接，设置较短的过期时间。-数据库：存储短链接映射关系，包含字段：`short_url`（短链接）、`long_url`（长链接）、`created_at`（创建时间）。4.可逆性：-使用Base62解码将短链接转换回唯一标识，再查询数据库获取长链接。伪代码示例：javapublicStringgenerateShortUrl(StringlongUrl){StringuniqueId=generateUniqueId();StringshortUrl=encodeBase62(uniqueId);storeMapping(shortUrl,longUrl);returnshortUrl;}publicStringgetLongUrl(StringshortUrl){StringuniqueId=decodeBase62(shortUrl);StringlongUrl=redis.get(shortUrl);if(longUrl==null){longUrl=database.queryLongUrlByUniqueId(uniqueId);redis.set(shortUrl,longUrl);}returnlongUrl;}privateStringgenerateUniqueId(){returnUUID.randomUUID().toString().replace("-","");}privateStringencodeBase62(StringuniqueId){//Base62编码实现}privatevoidstoreMapping(StringshortUrl,StringlongUrl){redis.set(shortUrl,longUrl,3600);//设置1小时过期时间database.insert(shortUrl,longUrl);}题目5（25分）：大数据处理——实时日志分析系统设计请设计一个实时日志分析系统，要求：1.系统需要支持每秒处理10万条日志，日志格式为JSON。2.需要实时统计每分钟访问量（PV）和每分钟独立访客数（UV）。3.需要支持按时间窗口（如5分钟）统计热点词。4.可以使用流处理框架，说明技术选型和系统架构。答案解析：1.系统架构：-数据采集：使用Kafka或Flume采集日志数据，并写入Kafka主题。-流处理层：使用Flink或SparkStreaming进行实时数据处理。-状态存储：使用Redis或HBase存储统计结果。-结果展示：使用Elasticsearch或Prometheus进行数据聚合和展示。2.技术选型：-数据采集：Kafka-流处理：Flink-状态存储：Redis-结果展示：Elasticsearch3.系统设计：-数据采集：使用Flume或KafkaAgent采集日志数据，并写入Kafka主题。-流处理：-使用Flink读取Kafka数据，解析JSON日志。-实时统计PV和UV：使用Flink的窗口函数，按分钟统计PV和UV。-热点词统计：使用Flink的滚动窗口，按5分钟统计词频。-状态存储：使用Redis存储统计结果，支持快速查询。-结果展示：使用Elasticsearch聚合数据，并使用Kibana进行可视化展示。伪代码示例：javapublicvoidprocessLogs(){//读取Kafka数据DataStream<JsonLog>logs=KafkaUtils.createKafkaSource...//实时统计PV和UVDataStream<StatResult>pvUVStats=logs.map(log->parseJson(log)).keyBy(log->log.timestampminute).window(TumblingProcessingTimeWindows.of(Time.minutes(1))).aggregate(newAggregateFunction...);//热点词统计DataStream<WordCount>wordCounts=logs.map(log->parseJson(log)).keyBy(log->log.timestampminute).window(TumblingProcessingTimeWindows.of(Time.minutes(5))).aggregate(newAggregateFunction...);//存储统计结果pvUVStats.addSink(redis::storePvUv);wordCounts.addSink(redis::storeWordCount);}解析：1.数据采集：使用Kafka或Flume采集日志数据，并写入Kafka主题。2.流处理：使用Flink或SparkStreaming进行实时数据处理，解析JSON日志。3.实时统计PV和UV：使用Flink的窗口函数，按分钟统计PV和UV。4.热点词统计：使用Flink的滚动窗口，按5分钟统计词频。5.状态存储：使用Redis存储统计结果，支持快速查询。6.结果展示：使用Elasticsearch聚合数据，并使用Kibana进行可视化展示。三、综合题（共1题，25分）题目6（25分）：机器学习——电商推荐系统优化请设计一个电商推荐系统，要求：1.系统需要支持个性化推荐，根据用户历史行为推荐商品。2.需要支持实时更新推荐结果，响应时间小于200ms。3.需要保证推荐结果的多样性和新颖性。4.可以使用协同过滤和深度学习模型，说明技术选型和优化方案。答案解析：1.系统架构：-数据采集：使用Hadoop或Spark采集用户行为数据，并写入HDFS或HBase。-特征工程：使用SparkMLlib进行特征提取和转换。-模型训练：使用TensorFlow或PyTorch训练推荐模型，可以是协同过滤或深度学习模型。-实时推荐：使用Redis或Memcached存储推荐结果，支持快速查询。-结果展示：使用Elasticsearch或Prometheus进行数据聚合和展示。2.技术选型：-数据采集：Hadoop或Spark-特征工程：SparkMLlib-模型训练：TensorFlow或PyTorch-实时推荐：Redis或Memcached-结果展示：Elasticsearch或Prometheus3.系统设计：-数据采集：使用Hadoop或Spark采集用户行为数据，并写入HDFS或HBase。-特征工程：使用SparkMLlib进行特征提取和转换，如用户画像、商品特征等。-模型训练：-协同过滤：使用SparkMLlib的ALS算法进行模型训练。-深度学习：使用TensorFlow或PyTorch训练深度学习模型，如Wide&Deep模型。-实时推荐：-使用Redis或Memcached存储推荐结果，支持快速查询。-使用消息队列（如Kafka）实时更新推荐结果。-结果展示：使用Elasticsearch聚合数据，并使用Kibana进行可视化展示。4.优化方案：-多样性：使用重排序算法（如MMR）增加推荐结果的多样性。-新颖性：使用探索-利用策略，推荐用户未曾交互的商品。-实时性：使用消息队列和缓存，保证推荐结果的实时更新。伪代码示例：pythondeftrain_model(data):使用SparkMLlib进行特征提取和转换features=spark.mllib.feature.VectorAssembler...训练协同过滤模型model=spark.mllib.recommen