Recommendation Features

特征把用户、内容、上下文和历史行为转化为模型可以消费的信号。

Interaction

Feature Cross

显式或隐式建模用户、物品和上下文之间的高阶交互。

Behavior sequence

Last-N Features

从近期行为序列提取兴趣、相似度和注意力信号。

评价特征时同时检查信息增益、时效性、泄漏风险、线上可用性和计算成本。

特征版图

类别	例子	主要用途
User	活跃度、偏好分布、长期画像	表达稳定兴趣与价值
Item	类目、作者、质量、内容 embedding	表达候选语义与供给属性
Context	时间、位置、入口、设备、网络	刻画当前决策条件
Interaction	历史点击、停留、跳过、关注	建模显式与隐式反馈
Cross	user×item、query×item、scene×item	表达匹配关系
Sequence	Last-N、session、时间间隔	捕获短期意图和兴趣漂移

从定义到上线

每个特征都应拥有统一定义、事件时间、数据源、缺省值、回填策略、离线统计和线上服务方式。训练集必须以样本时刻执行 point-in-time join，防止使用“未来才知道”的数据。上线时则需要验证：

1. 离线与在线变换逻辑是否一致；
2. 缺失率、延迟和分布是否在预期范围；
3. 特征不可用时模型能否安全回退；
4. 增量收益能否覆盖存储、网络和推理成本；
5. 是否引入敏感属性、代理变量或不合理偏差。

强特征不只是提升离线 AUC，还应跨时间和人群稳定，并能在生产延迟预算内可靠获取。