想象一条热闹的美食街。你站在路口喊了一声“来一份麻辣香锅”，几十家餐馆同时端出各自的“麻辣香锅”。这么多盘菜，哪一盘才是正宗好味道？你需要一位资深美食评委帮忙打分排名：哪家食材新鲜？哪家分量足？哪家口碑好？哪家出餐快？评委要看的每一件事——食材、分量、口碑、速度——就相当于排序学习里的“特征”。 搜索引擎的处境一模一样。用户输入一个查询词（点菜），互联网上有成千上万个网页（候选菜品），系统必须在瞬间给所有候选网页打分排序（评委打分）。可问题是：评委凭什么打分？总不能凭空说“我觉得这家好”。它需要具体、可测量的考察维度，这就是特征。而设计、挑选、打磨这些考察维度的整套功夫，就是特征工程。 特征工程就像给评委设计一份“评审表”：表上列什么维度、每个维度怎么量、单位如何统一、哪些维度真的管用、哪些维度可以组合出新味道。这一整套工作决定了评委能否快速准确地排出名次。实践中，特征工程往往决定了排序效果的上限——模型算法只是拼尽全力去逼近这个上限。

岗位关联

特征工程是排序系统的“燃料”：没有好燃料，再先进的发动机（模型）也只是空转。掌握特征工程，是搜索、推荐算法工程师的必备基本功。

目录
  1. 可视化演示
  2. 特征分类：评审表先分板块
  3. 匹配特征：菜与菜名对不对得上
  4. 统计特征：群众的筷子会投票
  5. 语义特征：读得懂字里行间
  6. 归一化处理：统一度量衡
  7. 特征选择：把干扰项划掉
  8. 组合特征：一加一大于二
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

排序学习特征工程管线 ——从多源信息到排序特征 Q-D匹配：BM25/TF-IDF/编辑距离 统计：PageRank/点击量/文档长度 语义：Embedding相似度/BERT交叉 行为：CTR/停留时间/跳出率 特征 = f(query, doc, user, context) → 归一化 → 选择 → 组合 → 排序模型

特征分类：评审表先分板块

美食评委巡街前，不会只盯着“好不好吃”这一项。他会把评审表分成几个板块：这道菜本身怎么样（食材、火候），跟顾客点的菜对不对得上（点的是麻辣香锅还是日料），其他食客怎么看（排队人数、回购率）。分好板块，打分才有条理，不会顾此失彼。

排序学习的特征也是如此。业内通常按“来源与作用对象”把特征分成四大类：查询端特征、文档端特征、匹配特征、用户行为特征。查询端特征描述用户这次搜索本身，比如查询词长度、是疑问句还是名词短语；文档端特征描述候选网页自身的属性，比如标题长度、内容时效、页面质量；匹配特征刻画查询与文档的交互；用户行为特征来自历史反馈，比如点击率、停留时长。

这四类特征出现在同一份评审表上，共同决定每个候选文档的最终得分。用数学写出来，就是一条加权求和公式：

理解了这个“板块框架”，评委才知道该在哪个方向用力。特征分类正是特征工程的第一块拼图，它决定了后来所有特征从哪来、归哪组、怎么找。

score(d,q)=∑i=1nwi×fi(q,d)\displaystyle \text{score}(d,q)=\sum_{i=1}^{n} w_i \times f_i(q,d)
这句话的意思是：一道菜的最终得分，等于每个考核项得分乘以该项重要程度后加总。
  1. score(d,q)d 是候选文档（一盘菜），q 是用户查询（一张点单），score 是评委给这道菜打出的最终总分。
    score(d,q)\text{score}(d,q)
  2. f_i(q,d)第 i 个特征函数，也就是评审表上的第 i 个考核项，比如“词面匹配度”或“点击率”。
    fi(q,d)f_i(q,d)
  3. w_i × f_i(q,d)w_i 是第 i 项的权重，表示这项对最终排名有多重要。权重乘以得分就是加权后的单项贡献。
    wi×fi(q,d)w_i \times f_i(q,d)
  4. Σ_{i=1}^{n}从第 1 项加到第 n 项，把所有单项贡献汇总成最终得分。
    ∑i=1n(⋅)\sum_{i=1}^{n}(\cdot)

匹配特征：菜与菜名对不对得上

评审在动筷子之前，第一反应是核对菜名：这道菜跟顾客点的“麻辣香锅”沾边吗？如果端上来一盘点心，做得再精致也是答非所问。搜索里最经典的匹配特征来自 TF-IDF。TF（词频）回答“查询词在这篇文档里出现了多少次”，IDF（逆文档频率）回答“这个词到底有多大区分度”。一个词在全网越稀有，一旦出现就越能说明文档确实在讨论它。

比如“麻辣”和“香锅”几乎每道川菜的标题都会提到，区分度很低；而“秘制酱料”很少见，一旦出现，这篇文档就很可能与用户要找的内容高度相关。TF-IDF 把这两者相乘，得到“文档对查询词面的契合度”：

词面匹配只是第一步，还有覆盖度（查询词有多少比例出现在文档标题中）、编辑距离（用户拼错字时还能找到对应文档）等配套特征。这些就像评委的“最基本核对清单”——先确认没端错菜，再谈好不好吃。

TF-IDF(t,d)=tf(t,d)×log⁡(N+1df(t)+1)\displaystyle \text{TF-IDF}(t,d)=\text{tf}(t,d)\times \log\left(\frac{N+1}{\text{df}(t)+1}\right)
通俗地说：一个词在文档中出现了几次、在全网又多稀有，两者相乘就是“词面契合度”。
  1. tf(t,d)词频，统计词 t 在文档 d 中出现了多少次。出现越多，说明文档越可能在讨论这个词。
    tf(t,d)\text{tf}(t,d)
  2. df(t)文档频率，包含词 t 的文档数量。它用来衡量一个词是否常见。
    df(t)\text{df}(t)
  3. 分数 (N+1)/(df(t)+1)稀有度比值。N 是总文档数，比值越大说明词越稀有。分子分母各加 1 是为了防止除以零。
    N+1df(t)+1\frac{N+1}{\text{df}(t)+1}
  4. log取对数把稀有度压缩到平缓范围，避免“非常稀有的词”获得爆炸式的权重。
    log⁡(N+1df(t)+1)\log\left(\frac{N+1}{\text{df}(t)+1}\right)
  5. 整体相乘词频 × 稀有度，得出一个词对“查询-文档”匹配的贡献值。
    tf(t,d)×log⁡(⋯ )\text{tf}(t,d)\times \log(\cdots)

统计特征：群众的筷子会投票

评委再厉害，也不可能尝遍美食街上每一道菜。他会在评审表上增加一栏：群众数据。有多少人点过这道菜、平均排队多久、回头客多不多——这些历史统计，是“用脚投票”的结果。

搜索里的统计特征正是这样的“口碑数据”：点击率（CTR）、停留时长、收藏/转发数、时效热度。其中点击率在排序特征中最为常见，公式是历史点击次数除以展示次数。但这里有个坑：数据稀疏。一盘新菜只被 3 个人尝过、2 人点赞，就是 66% 好评率，可信度太低。所以工程上会给分子分母加平滑系数，让样本量小的结果向“先验经验”收缩：

统计特征让评委“借大家的舌头打分”。但要注意：投票的人是在什么位置看到这道菜的，存在天然偏差。所以还需要继续看，怎么理解菜本身的“性格”。

CTR^=clicks+μimpressions+λ\displaystyle \widehat{\text{CTR}}=\frac{\text{clicks}+\mu}{\text{impressions}+\lambda}
通俗地说：点击次数加上一点“先验经验”，除以展示次数，得到修正后的点击率。
  1. clicks历史上这个结果被点击的次数，来自用户反馈日志，相当于“受欢迎票数”。
    clicks\text{clicks}
  2. impressions这个结果被展示的总次数，分母越大说明统计越可靠。
    impressions\text{impressions}
  3. μ 与 λ两个平滑常数，相当于“先验经验”。它们保证只展示过一两次的结果不会因随机性得到极端估计。
    μ, λ\mu,\ \lambda
  4. 整体除法分子分母都加上平滑项后做除法，得到修正后的点击率。样本越充足，估计越接近真实情况。
    clicks+μimpressions+λ\frac{\text{clicks}+\mu}{\text{impressions}+\lambda}

语义特征：读得懂字里行间

词面匹配记牢了“麻辣香锅”四个字，却听不懂“川味”“重辣”“牛油”这些近亲表达。评委如果只认字眼，就会错过那些真正懂行的人才懂的“同义菜”。

语义特征把这些“字里行间的意思”编码成向量。先用预训练模型把查询和文档分别映射成词向量或句向量，再计算两者的余弦相似度。余弦相似度衡量两个向量方向的接近程度。为什么用余弦而不是欧氏距离？因为欧氏距离对向量长度（比如文档长短）敏感，而余弦只看方向。查询和文档被塞进同一个向量空间后，语义相近的表达会自然聚拢——“麻”和“辣”即便不同词，向量也离得很近：

语义特征让评委听懂“行话”。但它依赖预训练模型，词面完全命中的强相关结果反而可能被稀释——所以语义与匹配两类特征在工业系统中通常同时使用、互为补充。

sim(a,b)=a⋅b∥a∥2 ∥b∥2\displaystyle \text{sim}(\mathbf{a},\mathbf{b})=\frac{\mathbf{a}\cdot\mathbf{b}}{\lVert\mathbf{a}\rVert_2\,\lVert\mathbf{b}\rVert_2}
通俗地说：两张向量的“箭头”靠得多近，就代表查询与文档的语义多接近。
  1. a 与 b查询向量与文档向量，由词向量或句子编码器把文本变成一串数字。
    a, b\mathbf{a},\ \mathbf{b}
  2. 点积 a·b把两个向量逐位相乘再求和，衡量“方向一致程度”。
    a⋅b\mathbf{a}\cdot\mathbf{b}
  3. 模长 ||a||₂、||b||₂两向量的 L2 长度。除以模长相当于消除“文本长短”的影响。
    ∥a∥2, ∥b∥2\lVert\mathbf{a}\rVert_2,\ \lVert\mathbf{b}\rVert_2
  4. 整体比值余弦相似度取值在 [-1,1] 之间，越接近 1 表示语义方向越一致。
    a⋅b∥a∥2 ∥b∥2\frac{\mathbf{a}\cdot\mathbf{b}}{\lVert\mathbf{a}\rVert_2\,\lVert\mathbf{b}\rVert_2}

归一化处理：统一度量衡

评审表上各栏目单位五花八门：新鲜度满 10 分、重量用克、价格用元、排队用分钟。如果直接相加，一个 300 元的价差就能淹没 5 分的新鲜度差距——这显然不公平。

归一化就是把所有特征“换算到同一把尺子上”。最常用的是 min-max 缩放：把最小值映射为 0、最大值映射为 1，其他值按比例落在 [0,1] 区间。做完之后，每个特征都变成“相对所有样本的位置”。除了 min-max，还有 z-score 标准化、分箱（把连续值切成档位，如价格 0-100/100-200/200+）、缺失值处理（填充 0、中位数或单独设一档），它们都属于归一化处理家族：

统一度量衡之后，评委才能把“不同单位”的分数公平相加。这是所有后续加权与组合的数学前提——一锅汤里不能同时用“克”和“斤”两种秤来称盐。

x′=x−min⁡(x)max⁡(x)−min⁡(x)\displaystyle x'=\frac{x-\min(x)}{\max(x)-\min(x)}
通俗地说：把每个特征的值按“它在全体里所处的位置”重新标到 0~1 之间。
  1. x某个样本的原始特征值，比如“排队 45 分钟”。
    xx
  2. min(x) 与 max(x)全体样本中该特征的最小值与最大值，它们决定新刻度的“0 点”和“满格”位置。
    min⁡(x), max⁡(x)\min(x),\ \max(x)
  3. 分子 x−min(x)当前样本离最小值有多远，回答“我在全体中的相对位置”。
    x−min⁡(x)x-\min(x)
  4. 整体比值除以取值范围长度后，任何特征都被映射到 [0,1]，不同量纲从此可以直接比较。
    x−min⁡(x)max⁡(x)−min⁡(x)\frac{x-\min(x)}{\max(x)-\min(x)}

特征选择：把干扰项划掉

评审表越填越长，评委反而犯了难：有些栏目每道菜都是满分，毫无区分度；有些栏目和别的栏目几乎重复；还有的栏目全看评委心情。这时必须做减法。

特征选择就是“去芜存菁”。常用方法有四类：方差阈值——取值几乎不变的特征直接剔除；相关系数——两个特征高度相关就保留其中一个；卡方检验——衡量特征与标签（相关性标注）是否独立，不独立的剔除；模型筛选——先用模型训练一版，看特征重要性再裁剪。其中相关系数是最直观的“冗余体检”：

去掉了噪音栏目，评审表变得更轻、更稳，评委也能把注意力集中在真正关键的味道上。特征选择省下的不仅是算力，更是过拟合的风险。

ρ(X,Y)=cov(X,Y)σX σY\displaystyle \rho(X,Y)=\frac{\text{cov}(X,Y)}{\sigma_X\,\sigma_Y}
通俗地说：两个特征一起涨一起跌的程度，就是它们“说同一件事”的嫌疑指数。
  1. X 与 Y两个特征，比如“点击率”和“收藏率”。
    X, YX,\ Y
  2. cov(X,Y)协方差，衡量两特征是否同向波动。同涨同跌为正，此消彼长为负。
    cov(X,Y)\text{cov}(X,Y)
  3. σ_X 与 σ_Y两个特征各自的标准差，乘积用作“尺度归一”，消除量纲影响。
    σX σY\sigma_X\,\sigma_Y
  4. 整体比值相关系数 ρ 落在 [-1,1]。|ρ| 越接近 1，说明两个特征高度冗余，去掉其一即可。
    cov(X,Y)σX σY\frac{\text{cov}(X,Y)}{\sigma_X\,\sigma_Y}

组合特征：一加一大于二

单看“辣度”和“麻度”都很普通，但“又麻又辣”才是这道菜的灵魂。评委渐渐明白：某些栏目放在一起看，才能揭示单看任何一个都发现不了的规律。

组合特征就是把两个或多个原始特征交叉起来创造新特征。经典组合方式有：乘积——比如“类目 × 价格带”；平方差——比如“查询词数量与标题词数量的差异”。平方差在排序中尤其常用，因为它显式告诉模型“两侧信息差得越多，越可能不匹配”。工程上还有特征哈希（把高维稀疏类别特征压缩成固定维度向量）和特征嵌入（让模型在训练中自动学习特征的低维表示），用来控制组合爆炸带来的维度灾难：

组合特征是调味的最后一步：同样一堆原始分数，能否调出“让人记住这道菜”的独特风味，就看这一手。评审表完成后，评委就能对整条美食街排出名次——这就是一次完整的特征工程流程。

fcross(fi,fj)=(fi−fj)2\displaystyle f_{\text{cross}}(f_i,f_j)=(f_i-f_j)^2
通俗地说：两个特征差得越远，平方差越大，这一组合信号就越强。
  1. f_i 与 f_j两个原始特征，比如“查询词数量”和“标题词数量”。
    fi, fjf_i,\ f_j
  2. 差值 f_i−f_j刻画两者之间的差距，差距越大说明匹配度可能越差。
    fi−fjf_i-f_j
  3. 平方放大差距并消除正负号——无论谁大谁小都被公平对待，偏差越大的样本信号越突出。
    (fi−fj)2(f_i-f_j)^2

AI 应用场景

电商搜索排序

阶段：特征工程（排序模型上线前的特征构建与迭代）

解决的问题：用户搜“连衣裙”时相关商品可能有上百万个，传统按销量排序只能看到爆款，忽略了不同人群的搜索意图。通过构造查询-标题匹配特征（词面重合 + 类目命中）、统计特征（近 7 天点击率、转化率）、组合特征（类目 × 价格带、风格词向量 × 人群偏好），让排序模型理解“通勤气质款”和“宽松休闲款”的差异，再根据点击反馈持续迭代。

具体案例：某电商团队为“连衣裙”查询增加“风格词向量 × 人群偏好”组合特征后，搜索页的点击转化率提升约 12%，长尾查询的商品曝光质量明显改善。

招聘网站人岗匹配

阶段：特征工程（职位与候选人的双向特征构建）

解决的问题：招聘平台给“后端工程师”岗位推荐候选人时，职位描述和简历用词差异很大（“扎实的 Java 功底” vs “熟悉 Spring 全家桶”），纯词面匹配召回效果差。需要构造技能词 TF-IDF 匹配特征、工作年限差值、活跃度、简历完整度、语义相似度等特征，统一做 min-max 归一化后送入排序模型。

具体案例：某招聘平台在候选人推荐场景中，加入“技能词 TF-IDF + 语义相似度”双通道特征后，简历投递转化率提升了约 15%，跨行业（如从 Java 转 Go）候选人的匹配召回也明显改善。

新闻信息流实时排序

阶段：特征工程（低延迟在线特征计算）

解决的问题：信息流场景每天要实时为百万篇文章打分，特征计算必须在毫秒级完成。高维类别特征（作者 ID、频道 ID）直接用会撑爆内存，连续特征（停留时长）又容易被离群值带偏。

具体案例：某新闻客户端使用特征哈希把作者、频道等稀疏类别特征压缩为固定长度向量，用分箱处理时长特征，再用方差阈值和相关系数做每周一次的特征选择，最终线上排序延迟降低 30%，模型效果保持稳定。

Python 演示

python53 行
import math docs = [    {"id": "doc1", "title": "麻辣香锅做法 秘制酱料配方", "clicks": 820, "shows": 12000},    {"id": "doc2", "title": "川味火锅底料调制技巧", "clicks": 1530, "shows": 18000},    {"id": "doc3", "title": "北京烤鸭餐厅推荐", "clicks": 240, "shows": 15000},    {"id": "doc4", "title": "麻辣香锅加盟费用一览", "clicks": 610, "shows": 9000},] QUERY_WORDS = ["麻辣", "香锅", "做法"]  def idf(word):    df = sum(1 for d in docs if word in d["title"])    return math.log((len(docs) + 1) / (df + 1))  def compute_match(query_words, title):    hit = 0.0    for w in query_words:        if w in title:            hit += idf(w)    return hit / max(len(query_words), 1)  def compute_ctr(doc):    return doc["clicks"] / max(doc["shows"], 1)  def min_max_normalize(values):    lo = min(values)    hi = max(values)    if hi == lo:        return [0.5 for v in values]    return [(v - lo) / (hi - lo) for v in values]  def main():    for d in docs:        d["match"] = compute_match(QUERY_WORDS, d["title"])        d["ctr"] = compute_ctr(d)    norm = min_max_normalize([d["match"] for d in docs])    for d, m in zip(docs, norm):        d["match_norm"] = m        d["final"] = 0.6 * d["match_norm"] + 0.4 * d["ctr"]    docs.sort(key=lambda d: d["final"], reverse=True)    for rank, d in enumerate(docs, 1):        print("第%d名: %s 最终得分=%.4f (匹配特征=%.2f 点击率=%.4f)"              % (rank, d["id"], d["final"], d["match_norm"], d["ctr"]))  if __name__ == "__main__":    main()
目的：用 4 篇示例文档演示排序特征工程的完整小流程——TF-IDF 匹配特征 → 点击率统计特征 → min-max 归一化 → 加权组合 → 排序输出。
  1. def compute_match(query_words, title):计算查询词与文档标题的匹配特征，对应正文的“词面契合度”。
  2. hit += idf(w)命中词按稀有度加权累加，“做法”这类信息量大的词贡献更高。
  3. math.log((len(docs) + 1) / (df + 1))逆文档频率，词在全网出现越少、权重越大。
  4. return hit / max(len(query_words), 1)除以查询词数做平均，防止长查询天然占便宜。
  5. d["ctr"] = compute_ctr(d)用点击量除以展示量得到原始点击率。
  6. (v - lo) / (hi - lo)min-max 归一化，把匹配特征映射到 0~1，统一度量衡。
  7. d["final"] = 0.6 * d["match_norm"] + 0.4 * d["ctr"]加权组合打分，匹配占大头、行为做校正。
  8. docs.sort(key=lambda d: d["final"], reverse=True)按最终得分降序排列，完成排序。

常见误区

误区既然是机器学习，把能想到的特征全部塞给模型，让它自己挑，肯定不会吃亏。特征数量越多，效果一定越好。

正解特征不是越多越好。这就像评审表上列了 100 个考察项，其中很多项在重复衡量同一件事（比如“盘子颜色”和“装修风格”），评委反而被噪声干扰。冗余特征会拖慢训练、放大过拟合风险。实际工程常用方差阈值、相关系数等方法把几十上百个特征砍到十几个核心维度，模型更稳、线上耗时更低。

为何常见：直觉上“信息量更多 = 更好”，没有意识到冗余和噪声特征会稀释有效信号，反而挤压了模型的泛化能力。

误区归一化就是把数据强行压到 0 到 1，这不就丢了原始大小信息吗？比如 30000 元客单价和 30 元客单价，归一化后看起来都差不多。

正解归一化丢失的是“绝对量纲”，保留的是“相对差异”。评委评分时从来不关心“这道菜用了 37.5 克盐”，只关心“在今晚所有菜品里它有多咸”。min-max 归一化把每个特征映射到 [0,1]，保留样本间的相对距离，同时消除单位影响。真正需要谨慎的是对异常值敏感的数据，归一化前通常先做异常值截断。

为何常见：把“数值大小”和“信息”画等号，而排序学习真正关心的是样本之间的相对位置，不是绝对刻度。

误区既然深度学习能理解语义，TF-IDF 这种词频统计是不是已经过时了？只用语义特征就够了。

正解语义特征擅长“意会”，匹配特征擅长“言传”。用户搜“麻辣香锅”时，任何不含这几个字但语义近似的文档，都能靠语义特征召回；但词面精确命中的文档通常是最强相关（比如菜谱标题本身就叫“麻辣香锅做法”）。工业场景中两者互补：匹配特征保证精准，语义特征补充相关，一起作为双保险。

为何常见：听到“语义”就觉得更高级，忽略了精确匹配在搜索场景中的底线价值——用户输入的关键词本身就是最强的相关信号。

误区点击率（CTR）高就说明用户喜欢这个结果，直接按 CTR 排序不就行了？为什么还要搞这么多特征？

正解点击率有两个致命陷阱。一是位置偏差：排在第一的结果天然更容易被点击，并不代表它质量最高。二是数据稀疏：新品展示 1 次、点击 1 次就有 100% CTR，完全不可信。所以要加平滑系数（先验经验），做位置去偏，并且把 CTR 和其他特征一起交给模型，而不是单独用它拍板。

为何常见：把“相关性”误当成“因果性”，忽略了用户行为受展示位置和曝光量的强烈干扰。

误区单个特征不够，那就把两两组合、三三组合全做出来一起喂给模型，反正多总比少好。

正解盲目组合会造成组合爆炸：100 个特征两两交叉就有 4950 个新特征，训练数据根本扛不住，还会引发严重的过拟合。组合特征必须带着业务假设去做——比如“类目 × 价格带”，是因为 3C 用户对价格更敏感，这种有意义的交叉才有价值。上线前还要用特征选择或 A/B 实验验证组合是否真的有效。

为何常见：把算力当万能解药，忽视了特征工程本质上是“业务理解 + 实验验证”的循环，而不是无脑的排列组合游戏。

面试题

Q1. 在 Learning to Rank 特征工程中，“查询词与网页标题的重合程度”属于哪一类特征？

单选题 · easy

  • A.查询端特征
  • B.文档端特征
  • C.查询匹配特征← 正确答案
  • D.用户行为特征

答案：C。匹配特征描述查询与文档之间的相互作用。就像“顾客点的菜”与“店里的菜色”是否合拍，取决于两者组合而不是任何单独一方。标题重合度既不是纯查询属性，也不是纯文档属性，因此属于匹配特征。

Q2. 某特征最小值为 0、最大值为 200，经 min-max 归一化后，原始值 50 变为多少？

单选题 · easy

  • A.0.15
  • B.0.25← 正确答案
  • C.0.50
  • D.0.75

答案：B。(50−0)/(200−0) = 0.25。归一化把特征映射到 [0,1]，相当于把“500 克盐”换算成“占满分的比例”，保留相对位置、消除量纲差异。代入公式即可得结果。

Q3. 以下关于 TF-IDF 中 IDF 的说法，正确的是？

单选题 · mid

  • A.出现越多 IDF 越大
  • B.与查询长度正相关
  • C.出现越少 IDF 越大← 正确答案
  • D.与文档频次无关

答案：C。IDF = log((N+1)/(df+1))，df 越小比值越大，IDF 越大。就像“松露”比“猪肉”更能体现一道菜的特色，稀有词区分度更强。A 说反了，B 与查询长度无关，D 否认了与文档频次的关系，均错误。

Q4. 下列关于归一化的说法，正确的有？

多选题 · mid

  • A.归一化可以把不同量纲的特征统一到同一尺度← 正确答案
  • B.min-max 归一化对异常值天然不敏感
  • C.归一化后特征取值范围通常落在 [0,1]← 正确答案
  • D.归一化一定会改变样本之间的大小次序

答案：AC。A、C 正确。min-max 归一化是线性变换，把特征映射到 [0,1]。B 错误，异常值会拉大 max−min，使正常值挤在很小的区域；D 错误，线性变换保持相对大小次序，就像评委换一种计分刻度，名次不变。

Q5. 特征 A 与特征 B 的皮尔逊相关系数接近 0.98，特征工程中合理的处理是？

单选题 · easy

  • A.保留其中一个避免冗余← 正确答案
  • B.两个都保留信息更多
  • C.直接把两个特征相乘
  • D.将两个特征都删除

答案：A。|ρ| 接近 1 说明两特征几乎携带相同信息，同时保留会放大单方向信号并增加过拟合风险。评审表上“分量”和“菜量”是同一个意思，留下一个就够了。B 是常见误区，C、D 缺乏依据。

Q6. 在 LTR 特征工程中，构造组合特征的正确做法包括？

多选题 · hard

  • A.基于业务假设做有意义的交叉← 正确答案
  • B.把所有特征随意两两相乘
  • C.用特征选择与实验验证有效性← 正确答案
  • D.组合特征维度可以无限增长

答案：AC。组合特征必须带着业务假设（如“类目 × 价格带”），并通过特征选择或 A/B 实验验证。盲目交叉和维度爆炸会带来过拟合与性能退化，就像调酱汁要懂“豆瓣酱配甜面酱”的风味逻辑，而不是把调料全倒在一起。

Q7. 用户行为特征（如点击率）的主要风险是？

单选题 · mid

  • A.数据量太大难以存储
  • B.无法通过接口获取
  • C.与用户查询词无关
  • D.位置偏差与数据稀疏← 正确答案

答案：D。点击率受展示位置影响（排第一更容易被点），且新结果曝光少、点击率极不可靠，因此要平滑和去偏。就像评价一家新店，只看 3 个人的好评没有说服力，还要考虑它在榜单位置带来的天然流量。

Q8. 工程师构造组合特征 (f_i−f_j)² 主要是为了？

单选题 · hard

  • A.消除特征的量纲差异
  • B.直接降低特征的总维度
  • C.捕捉两者的非线性差异← 正确答案
  • D.把特征变成离散分类值

答案：C。平方差组合把“两个特征相差多大”显式交给模型，平方消除正负号并放大大偏差，属于非线性交互。消除量纲靠归一化（A 错）；组合特征通常增加维度（B 错）；平方差仍是连续值，不是分类变量（D 错）。

Q9. 常用的特征选择方法包括？

多选题 · mid

  • A.方差阈值剔除几乎不变特征← 正确答案
  • B.相关系数剔除冗余特征← 正确答案
  • C.卡方检验衡量特征独立性← 正确答案
  • D.随机删除部分低维特征

答案：ABC。方差阈值、相关系数、卡方检验都是经典筛选方法，分别针对“无区分度”“冗余”“与标签无关”三类问题。随机删除没有依据，会破坏信息完整度，不属于正规方法。

Q10. 关于语义特征与匹配特征的关系，下列说法最准确的是？

单选题 · extreme

  • A.语义特征可完全替代匹配特征
  • B.语义与匹配互补提升排序效果← 正确答案
  • C.匹配特征可完全替代语义特征
  • D.两者互斥只能选一个使用

答案：B。词面匹配保证精确、语义相似保证相关，两者互补。完全替代的说法忽略了“意会”与“言传”各自的边界：搜“麻辣香锅”时菜谱标题的字面命中不可放弃，而“川味火锅”这类同义表达又必须靠语义。实际系统往往同时上两组特征，用实验决定权重。