想象你走进一家米其林三星餐厅的后厨。主厨技艺再高超，真正决定一桌菜成败的，往往是备菜团队端上来的食材：一块发蔫的牛肉、一撮过期的香料、一次不合时宜的上菜时机，都会让主厨的十八般武艺化为泡影。在推荐系统的“排序厨房”里，精排模型就是那位主厨——它负责给十几个候选商品逐一打分、排序，决定“此刻推给这个用户什么”。但模型最终发挥出多大本事，完全取决于特征工程这间“备菜房”喂给了它什么：用户是谁（口味档案）、商品是什么（食材品质）、此刻是什么场景（用餐氛围），以及这些信息被加工成了什么形态（统计、Embedding、交叉……）。 特征工程，就是决定精排效果的那块地基。地基打得越扎实，无论在上面盖 LR、GBDT 还是 DeepFM，都能稳稳站住；地基松散，模型再花哨也容易翻车。这篇文章就带你走进这间备菜厨房，把特征分类、预处理、统计特征、Embedding、交叉组合、特征筛选与在线实时特征，一道道菜给你讲明白。

岗位关联

对 AI 从业者而言，特征工程是精排模型的“隐形天花板”。掌握它，你才能从“调参工程师”升级为真正能掌控排序系统、驱动业务增长的架构师。

目录
  1. 可视化演示
  2. 特征分类总览：三只篮子缺一不可
  3. 特征预处理：洗菜切配的基本功
  4. 统计特征构造：读历史口碑算细账
  5. Embedding 特征：一罐浓缩的高汤
  6. 特征交叉组合：食材搭配的化学反应
  7. 特征筛选评估：大厨的精选清单
  8. 在线实时特征：现做现卖的新鲜劲
  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）。

精排特征体系 用户特征：画像+行为+实时序列 物品特征：统计+内容Embedding 特征决定上限，模型逼近上限 四大类特征构成精排地基

特征分类总览：三只篮子缺一不可

经验老到的备菜师开工前，会先摆出三只篮子：第一只放熟客档案——老王爱吃辣、李总忌海鲜；第二只放食材本身——今天空运来的和牛、现摘的香草；第三只放“此刻的环境”——是周末午市的热闹大堂，还是深夜安静的吧台。三只篮子分开装，是因为最终那道菜的口味，由三者共同决定：菜单再合口味，食材不新鲜是白搭；食材顶级，端上桌时客人已经吃饱，也是浪费。

推荐系统的精排模型面前，同样摆着三只“特征篮子”。模型给候选物品打分时，会同时打量“这是谁在请求”（用户侧）、“被推荐的物品是什么”（物品侧）、“请求发生在什么场景下”（上下文侧）。三者拼起来，才构成一次完整决策所需的全部信息。用户侧特征刻画长期画像与短期兴趣：性别年龄、历史点物品类分布、近 7 天活跃度、偏好价格带等。物品侧特征描述固有属性与热度：类目、价格、品牌、发布时长、近 30 天销量等。上下文特征则捕捉流动的推荐环境：当前时间、星期几、是否节假日、地理位置与网络环境等。

在工程实现中，这些特征被统一拼接为一个向量送入模型，形成一次请求的完整“食材拼盘”。所谓“地基”，首先就体现在这三类信息的齐备程度——缺了任何一类，模型就像盲人摸象。

三只篮子的食材缺一不可：只有熟客档案没有食材信息，等于客人说“想吃辣”却不知道后厨还剩什么；只有食材没有场景，等于深夜给客人端上一整桌重油菜。三篮子齐了，主厨才能对味下菜。

X=[Xuser;Xitem;Xcontext]X = [X_{user}; X_{item}; X_{context}]
完整特征向量由用户、物品、上下文三部分拼接而成，是精排模型打分时“看到”的全部信息。
  1. X（完整特征向量）拼接后的整体特征向量，模型靠它输出排序分数，相当于备菜台上摆好的一整套食材。
    XX
  2. X_user（用户侧特征）描述“谁在请求”，包含用户画像与行为统计，相当于熟客的口味档案。
    XuserX_{user}
  3. X_item（物品侧特征）描述“被推荐的是什么”，包含物品属性与热度，相当于食材本身的品质标签。
    XitemX_{item}
  4. X_context（上下文特征）描述“此刻的环境”，包括时间、地点、设备等，相当于用餐时的季节与氛围。
    XcontextX_{context}
  5. 分号拼接三类特征纵向拼接为一个整体向量，相当于把三只篮子的食材按顺序摆到同一张备菜台上。
    [Xuser;Xitem;Xcontext][X_{user}; X_{item}; X_{context}]

特征预处理：洗菜切配的基本功

食材进厨房，第一件事绝不是下锅，而是清洗、去皮、切配。发霉的叶片要摘掉，长短不一的葱段要切齐，大小不一的土豆要分档。这些看似不起眼的“预处理”，决定了后面火候的控制。特征工程同样如此——原始数据极少干净整齐，直接喂给模型，轻则学歪，重则训练崩溃。

预处理的第一道工序是缺失值处理。用户没填年龄、商品没标价格，这些“空洞”在后厨里就像一块变质发黑的食材。常见做法是用中位数或众数填充，相当于切掉坏的部分再用好料补上；对缺失比例过高的特征，则直接丢弃，就像整筐扔掉发霉的菜。第二道工序是数值归一化。价格从 10 元到 1299 元，年龄从 18 到 60，量纲与跨度千差万别。若不做归一化，模型会误以为数值大的特征更重要，就像用“克”和“吨”两种秤称量食材，大厨无法比较。

第三道工序是类别分桶。对连续值按业务含义切分成档位：价格分为“平价、中端、高端”，时间段分为“早、午、晚、深夜”。分桶后的特征更稳健，不易受单个异常点干扰，如同把大小不一的土豆按个头分到不同的筐里——大厨取用时一目了然，出菜更均匀。

洗菜切配的功夫虽然朴素，却决定了食材能否在后续烹饪中发挥最佳状态。归一化、缺省处理、分桶这三板斧看似基础，却是精排模型稳定的第一步地基——厨房里真正的高手，从不在预处理上偷懒。

x′=x−xminxmax−xminx' = \frac{x - x_{min}}{x_{max} - x_{min}}
最小最大归一化：把不同量纲的原始数值统一映射到 [0,1] 区间，让模型公平地比较每个特征。
  1. x（原始特征值）尚未处理的原始数值，比如商品价格 12 元与 1299 元，量纲和跨度差异悬殊。
    xx
  2. x_min 与 x_max（最小最大值）整个样本的最小值与最大值，相当于备菜时定下的“最小份”与“最大份”标尺刻度。
    xmin,xmaxx_{min}, \quad x_{max}
  3. 分子（偏移量）x - x_min 表示当前值在标尺上距离最左端有多远，相当于这味食材在刻度上的位置。
    x−xminx - x_{min}
  4. 分母（取值范围）x_max - x_min 表示整条尺子的长度，把所有特征跨度统一到同一比例。
    xmax−xminx_{max} - x_{min}
  5. x'（归一化结果）最终落在 [0,1] 的无量纲数值，让价格、年龄、时长等不同尺度的特征具备可比性。
    x′∈[0,1]x' \in [0, 1]

统计特征构造：读历史口碑算细账

一位老顾客走进餐厅，问“今天有什么推荐”，聪明的服务员不会只报菜名，还会补一句“这道招牌鱼今天已经有 80 桌客人点过了”。这就是历史口碑的力量。推荐系统的统计特征，做的正是这件事——把物品过去的表现加工成数字，告诉模型“这件商品有多受欢迎”。

最基础的统计特征是频次统计：曝光次数、点击次数、购买次数、收藏次数。这些数字刻画了物品的热度规模，如同后厨记录每道菜被点过的次数——点得多的菜，大概率有口碑。但光有规模不够，还需要比率特征来刻画“转化质量”。点击率 CTR 就是点击次数除以曝光次数，它回答的是“看到这道菜的人，有多大比例真的点了它”。曝光一万次、点击一千次的菜，和曝光十次、点击一次的菜，前者显然更靠谱。

这里有一个容易被忽略的坑：小样本下的比值极不可靠。曝光 1 次点击 1 次的 CTR 是 100%，却不能说明这道菜惊艳绝伦——那不过是第一个客人碰巧点了它。因此实践中会对 CTR 做平滑修正，比如分子分母各加一个小常数，或引入全局均值作为先验，让比值在样本不足时向整体水平收缩。如同服务员对只卖过一份的新菜，会保守地说“刚上新的，口碑还在积累”，而不是吹得天花乱坠。

历史口碑让模型有了“经验”，而不是每次拍脑袋。统计特征看似简单，却是精排模型里最能直接拉动效果的一类信号——就像老服务员的推荐，总是比花哨的菜单更有说服力。

CTR=clicksimpressionsCTR = \frac{clicks}{impressions}
点击率是精排中最常用的比率统计特征，刻画物品吸引用户“翻牌”的比例，常配合平滑使用。
  1. clicks（点击次数）物品被点击的次数，相当于顾客“翻牌”选择这道菜的总次数。
    clicksclicks
  2. impressions（曝光次数）物品被展示的次数，相当于这道菜被端上桌的次数。
    impressionsimpressions
  3. CTR（点击率）两者之比，刻画“看到的人有多大比例真的下单”，是衡量吸引力的核心比值特征。
    clicksimpressions\frac{clicks}{impressions}
  4. 小样本风险曝光少时比值波动极大，实践中需配合平滑或置信度处理，不能把一次品尝当成定论。
    CTRsmooth=clicks+αimpressions+βCTR_{smooth} = \frac{clicks + \alpha}{impressions + \beta}
  5. 联合使用CTR 通常与曝光量、点击量同时入模，避免只用比值而丢失规模信息。
    [clicks,  impressions,  CTR][clicks,\; impressions,\; CTR]

Embedding 特征：一罐浓缩的高汤

米其林后厨里总有一锅小火慢炖的高汤，鸡骨、火腿、干贝、香草，几十种食材的风味被浓缩成一罐精华。做菜时只需一勺，整道菜的层次立刻提升。Embedding 特征就是推荐系统里的那罐高汤——它把用户或物品的复杂语义浓缩成一个稠密向量，让模型用很少的维度抓住“灵魂”。

传统的 one-hot 编码，相当于用一本厚厚的字典描述食材：每个词占一页纸，整页只有一个字有用，其余全是空白，维度爆炸且毫无语义。Embedding 则不同：它通过神经网络把每个用户/物品映射成一段固定长度的实数向量，比如 [0.2, -0.1, 0.7, ……]。这段向量是模型从海量行为数据中“熬”出来的，相似的食材（物品）在向量空间里天然离得近——“猫”与“狗”相近，“连衣裙”与“半身裙”相近，这就是预训练向量带来的语义先验。

在精排工程中，Embedding 特征有三类典型用法：一是直接使用预训练向量（如 Word2Vec、Item2Vec），相当于后厨直接采购别人熬好的高汤；二是将多路 Embedding 拼接或加权融合，形成更丰富的用户/物品表示，类似用骨汤和菌汤勾兑出复合高汤；三是计算用户与物品向量的相似度，将相似度作为单维特征接入模型，相当于用“这勺汤跟那勺汤搭不搭”来判断匹配度。

一罐高汤不能替代所有调味，但它能让平凡的食材瞬间有灵魂。Embedding 特征的核心价值，在于把离散的 ID 世界压缩成连续的语义空间——这是精排模型从“记住”走向“理解”的关键一步。

sim(u,v)=u⋅v∥u∥⋅∥v∥sim(u, v) = \frac{u \cdot v}{\|u\| \cdot \|v\|}
余弦相似度衡量两个 Embedding 向量的方向一致性，是判断用户与物品“口味是否相投”的常用指标。
  1. u 与 v（Embedding 向量）用户与物品的稠密向量表示，相当于把复杂风味浓缩成一张“配方表”。
    u,  v∈Rdu, \; v \in \mathbb{R}^d
  2. u · v（点积）两个向量逐位相乘再求和，度量两股味道的重合程度。
    u⋅v=∑k=1dukvku \cdot v = \sum_{k=1}^{d} u_k v_k
  3. ||u|| 与 ||v||（模长）向量的长度，代表味道的浓度或配方表的信息量。
    ∥u∥=∑k=1duk2\|u\| = \sqrt{\sum_{k=1}^{d} u_k^2}
  4. 分母归一除以模长消除量级差异，只保留方向上的相似性，如同只看“口味倾向”而非“吃了多少”。
    u⋅v∥u∥⋅∥v∥\frac{u \cdot v}{\|u\| \cdot \|v\|}
  5. sim 取值范围落在 [-1, 1]，越接近 1 表示越相似——在推荐中意味着“口味越搭”。
    sim(u,v)∈[−1,1]sim(u, v) \in [-1, 1]

特征交叉组合：食材搭配的化学反应

单说“年轻人”，信息有限；单说“辣味”，也不稀奇。但如果说“年轻人 + 辣味”，很多餐饮老板眼睛会亮——这正是爆款麻辣烫的核心客群配方。特征交叉组合，就是捕捉这种"1 + 1 > 2"的协同效应：两个特征单独看平平无奇，放在一起却能揭示深刻的用户行为模式。

最朴素的做法是二阶交叉：把两个特征相乘，构造新的特征 x_i × x_j。在推荐场景中，“用户年龄段 × 商品价格带”能捕捉“年轻人偏好平价潮牌、中年人群偏好高质高价”这类组合规律；“用户兴趣类目 × 广告位类型”则能刻画“喜欢美妆的用户在开屏位更容易被吸引”的协同模式。这类交叉特征在 LR 模型中尤为关键——因为线性模型本身学不到特征间的非线性关系，交叉特征相当于人为地把非线性注入模型。

但全量交叉有个致命问题：特征维度会爆炸。假设有 1000 个类别特征，两两交叉就是 50 万个组合，俗称笛卡尔积灾难。如同后厨想把 100 种食材两两搭配试菜，菜单会厚到客人翻不完。工程上的解法有三条路：一是基于业务经验挑选少量高频组合，只交叉那些“直觉上就该有关系”的特征对；二是利用 Embedding 做隐式交叉——FM/DeepFM 模型在向量空间中自动捕捉特征交互，不必显式枚举；三是对交叉后的特征做降维，用哈希或主成分分析压缩到可控维度。

食材搭配是主厨的看家本领，交叉特征就是特征工程里的“搭配艺术”。好的组合能揭示数据的深层结构，但也要记住——不是所有食材放在一起都好吃，克制与精选同样重要。

xij=xi×xjx_{ij} = x_i \times x_j
二阶交叉特征：将两个基础特征相乘，构造出刻画协同效应的新特征，是特征组合最直接的形态。
  1. x_i 与 x_j（两个基础特征）比如年龄段与辣味偏好，单独看具有各自描述能力。
    xi,  xjx_i, \; x_j
  2. 相乘运算将两者组合成新特征 x_ij，捕捉“当 i 与 j 同时出现”时的协同效应。
    xi×xjx_i \times x_j
  3. 直观含义“年轻”与“辣味”同时出现才真正预示高转化，单独看都是弱信号。
    xij=xi×xjx_{ij} = x_i \times x_j
  4. 维度爆炸风险全量两两交叉维度指数增长，必须结合业务先验做减法。
    O(n2)O(n^2)
  5. 工程实践树模型可自动发现交叉，LR/FM 则依赖显式交叉特征，实践时按模型能力选择策略。
    xpair=[x1,x2,x1x2]x_{pair} = [x_1, x_2, x_1 x_2]

特征筛选评估：大厨的精选清单

米其林后厨每天收到上百种食材，但菜单上最终只有十几道菜。大厨不会把全部食材都堆进厨房，而是按三个标准精选：食材是否常用（覆盖率）、对招牌菜的贡献多大（重要性）、是否可以被其他食材替代（相关性）。特征筛选评估，就是精排工程的“精选菜单”环节。

第一关是覆盖率过滤。一个特征如果只在 1% 的请求中有值，对绝大多数样本就是摆设。比如“用户车辆品牌”特征，在没有车主信息的用户身上全部缺失，覆盖率和有效信息率过低，直接丢弃。这相当于一种食材 90% 的时间都缺货，大厨自然不会把它写进固定菜单。第二关是特征重要性评估。基于树模型（GBDT、RandomForest）可以计算每个特征在分裂中带来的增益占比——它回答“这个特征对预测贡献了多少”。贡献排名靠后的特征，可以优先裁掉，如同连续一个月无人问津的菜品，从菜单上撤下。

第三关是相关性分析。两个高度相关的特征（如“近 7 天点击量”和“近 30 天点击量”归一化后相关度极高）会带来冗余：模型参数难以稳定学习，特征重要性也被稀释。用皮尔逊相关系数或斯皮尔曼相关系数做两两检测，保留更具业务含义的一方即可。这就像高汤里已经有了鸡精又加一勺味精——味道不升反串，需要取舍。

精选菜单不是吝啬，而是对品质的执着。特征筛选表面上是“做减法”，本质上是通过剔除噪声、保留核心，让模型把有限的学习能力用在刀刃上——厨房如此，精排亦然。

Ij=∑n∈splits(j)Gainn∑n∈allGainnI_j = \frac{\sum_{n \in splits(j)} Gain_n}{\sum_{n \in all} Gain_n}
特征重要性：树模型中，特征 j 在所有分裂节点上带来的信息增益之和，占全部节点总增益的比例。
  1. I_j（特征重要性）第 j 个特征对模型整体效果的贡献占比，是特征筛选时最直接的“成绩单”。
    IjI_j
  2. splits(j)（特征 j 的分裂集合）树模型中使用特征 j 做切分决策的所有内部节点，相当于每次用到这味调料的分支场景。
    splits(j)={n∣split_feature(n)=j}splits(j) = \{ n \mid split\_feature(n) = j \}
  3. Gain_n（信息增益）每次分裂带来的纯度提升，相当于这味调料让菜品更有层次的程度。
    GainnGain_n
  4. 分子（总贡献）所有使用特征 j 的分裂增益累加，刻画它在整棵模型中的总贡献。
    ∑n∈splits(j)Gainn\sum_{n \in splits(j)} Gain_n
  5. 分母（全局总增益）所有分裂增益之和，用于归一化，使不同特征的重要性可以跨维度比较。
    ∑n∈allGainn\sum_{n \in all} Gain_n

在线实时特征：现做现卖的新鲜劲

客人刚落座，服务员推荐“今天午市刚到的海胆”，这句话的价值远超照本宣科的菜单——因为它包含了“此刻”的信息。推荐系统的在线实时特征，就是这股“现做现卖”的新鲜劲：离线特征描述的是过去，实时特征描述的是当下，很多场景下，当下才是用户做决策的关键。

实时特征最常见的是实时统计窗口：比如“近 5 分钟点击率”“近 1 小时销量”“当前直播间在线人数”。这些特征通过流式计算（Flink、Kafka）持续更新，让模型能捕捉突发热点——一条新闻刚爆、一场直播刚开，离线特征还停留在昨天的统计，实时特征已经敏锐感知。这如同后厨用实时客流调整备菜速度：刚进来的 20 人团需要立刻出菜，不能还按平时的节奏慢慢来。

但实时特征有两道工程门槛。第一道是缓存加速：每次请求都要在毫秒级拿到最新统计值，不可能现场跑一遍 MapReduce。行业做法是把热数据放进 Redis 等缓存，统计结果准实时地写入，模型服务直接读内存，把延迟压在 50ms 以内——相当于后厨提前备好半成品，客人点单时只需下锅快炒。第二道是口径一致性：训练时用的实时特征逻辑，和线上预估时必须完全一致。如果训练时“近 5 分钟点击率”按事件时间聚合，线上却按服务器时间聚合，分布稍有偏差，模型上线就会“水土不服”，轻则效果回退，重则线上事故。

现做现卖的菜最香，但同时也最考验后厨的供应链和流程管理。实时特征为精排模型注入了“当下的生命力”，而缓存与一致性则为这股生命力提供了可靠的工程地基。

Δt=tnow−tfeature\Delta t = t_{now} - t_{feature}
特征新鲜度：用当前时刻与特征采集时刻之差衡量，Δt 越小代表特征越贴合当下，但过小窗口会引入噪声。
  1. t_now（当前时刻）模型服务收到请求的实时时钟，相当于顾客此刻下单的瞬间。
    tnowt_{now}
  2. t_feature（特征采集时刻）实时特征对应统计窗口的截止时间，相当于食材最后一次被质检的新鲜时间。
    tfeaturet_{feature}
  3. Δt（新鲜度）两者之差，衡量特征滞后程度，越小表示特征越贴合当下。
    Δt=tnow−tfeature\Delta t = t_{now} - t_{feature}
  4. 窗口大小权衡窗口过短噪声大，过长不敏感，需按业务节奏选择——如同午市和晚市的客流统计窗口本就不该一样。
    window∈{1min⁡,5min⁡,1h,24h}\text{window} \in \{1\min, 5\min, 1h, 24h\}
  5. 工程权衡通过缓存与流式计算把 Δt 控制在毫秒到分钟级，同时用统一代码框架保证训练预估口径一致。
    Δt→min⁡  s.t.  stable+consistent\Delta t \to \min \; \text{s.t.}\; \text{stable} + \text{consistent}

AI 应用场景

电商首页信息流精排

阶段：特征工程 + 精排建模

解决的问题：传统规则加权无法做到千人千面，而 AI 精排模型需在几十毫秒内给数百个候选商品打分。特征工程让模型“看见”用户此刻的真实诉求：既要知道他过去爱买什么（统计特征），也要知道现在是什么促销场景（上下文特征），还要知道“他常买的价位 × 当前折扣”这类组合信号（交叉特征）。

具体案例：某电商 App 在大促期间商品池膨胀 10 倍，单纯依赖离线特征导致冷门好物无法浮现。特征团队上线“实时价格变化”和“优惠券金额”上下文特征，并构造“用户历史客单价 × 商品折扣力度”交叉特征。实验结果显示 CTR 相对提升 8%，GMV 提升 3.2%，大促实时流量峰值下特征延迟仍控制在 45ms 内。

广告竞价中的 CTR 预估

阶段：统计特征 + 特征筛选

解决的问题：广告按点击付费，CTR 预估不准直接导致出价失真——高估则亏钱，低估则拿不到流量。统计特征（历史 CTR）在这里是主力，但小样本广告的 CTR 极度不稳定，需要平滑处理。

具体案例：某广告平台对曝光低于 100 次的广告采用贝叶斯平滑——用全局 CTR 作为先验，把稀疏点击修正到合理区间。同时构造“广告主行业 × 用户兴趣类目”交叉特征增强相关性判断。上线后 CTR 预估 AUC 提升 1.2 个百分点，eCPM（千次曝光收入）提升 12%。

短视频信息流的强时效特征

阶段：在线实时特征 + 缓存加速

解决的问题：短视频热点以分钟级更替，离线特征在次日更新后已成“昨日黄花”。实时统计特征（近 5 分钟完播率、近 1 小时点赞率）是捕捉热点的关键。

具体案例：某短视频 App 上线“近 5 分钟完播率”实时特征，通过 Flink 流式计算 + Redis 缓存构建特征服务，模型预估延迟稳定在 50ms 内。实验显示，热门视频从发布到被系统放大推荐的时延从 30 分钟缩短到 3 分钟，人均播放时长提升 5%。

Python 演示

python55 行
import numpy as npimport pandas as pdfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import roc_auc_score np.random.seed(42)n = 2000 # 构造原始特征: 用户侧 + 物品侧 + 上下文df = pd.DataFrame({    'user_age': np.random.randint(18, 60, n).astype(float),    'user_level': np.random.randint(1, 8, n).astype(float),    'item_price': np.random.randint(10, 500, n).astype(float),    'item_score': np.random.uniform(1, 5, n),    'hour': np.random.randint(0, 24, n).astype(float),    'is_weekend': np.random.randint(0, 2, n).astype(float),}) # 人为制造缺失值df.loc[np.random.choice(n, 50), 'user_age'] = np.nandf.loc[np.random.choice(n, 50), 'item_price'] = np.nan # 预处理1: 缺失值用中位数填充df['user_age'] = df['user_age'].fillna(df['user_age'].median())df['item_price'] = df['item_price'].fillna(df['item_price'].median()) # 预处理2: 最小最大归一化for col in ['user_age', 'item_price']:    mn, mx = df[col].min(), df[col].max()    df[col + '_norm'] = (df[col] - mn) / (mx - mn) # 统计特征: 价格分桶后的组内评分偏差df['price_bucket'] = pd.cut(df['item_price'], bins=4, labels=False)df['item_score_vs_bucket'] = df['item_score'] - df.groupby('price_bucket')['item_score'].transform('mean') # 交叉特征: 年龄 x 价格df['age_x_price'] = df['user_age_norm'] * df['item_price_norm'] features = ['user_age_norm', 'item_price_norm', 'item_score',            'hour', 'is_weekend', 'item_score_vs_bucket', 'age_x_price']X = df[features]y = (df['item_score'] > 3).astype(int) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = RandomForestClassifier(n_estimators=100, random_state=42)model.fit(X_train, y_train) auc = roc_auc_score(y_test, model.predict_proba(X_test)[:, 1])print('AUC: %.4f' % auc) importance = pd.Series(model.feature_importances_, index=features).sort_values(ascending=False)print('特征重要性:')print(importance)
目的：用一份模拟数据完整演示精排特征工程流水线——从构造三侧原始特征、缺失值填充与归一化，到统计特征与交叉特征，最后用随机森林做特征重要性评估并输出 AUC。
  1. df.loc[np.random.choice(n, 50), 'user_age'] = np.nan随机挑选 50 行制造缺失，模拟真实数据的脏乱
  2. df['user_age'].fillna(df['user_age'].median())用中位数填充缺失值，稳健且不受极端值影响
  3. df[col + '_norm'] = (df[col] - mn) / (mx - mn)最小最大归一化，把不同量纲统一到 [0,1]
  4. df.groupby('price_bucket')['item_score'].transform('mean')计算同价格分桶内的平均评分，用于对比单品相对水平的统计特征
  5. df['age_x_price'] = df['user_age_norm'] * df['item_price_norm']构造年龄与价格的二阶交叉特征
  6. model.feature_importances_输出特征重要性排序，指导特征筛选
  7. roc_auc_score(y_test, model.predict_proba(X_test)[:, 1])用 AUC 评估精排排序效果，兼顾正负样本排序能力

常见误区

误区我刚做精排时总觉得特征不嫌多，把几十个 ID 直接塞进模型，认为信息全备模型自然聪明。离线 AUC 涨了一点点就坚信“多多益善”。

正解特征多不等于信息多。海量高维特征会带来三重代价：一是维度灾难，样本稀疏时模型学不到稳定规律；二是过拟合，模型记住噪声而非本质；三是计算与存储成本暴涨。正确做法是先加特征观察增益，再通过覆盖率、重要性和相关性做减法。就像米其林后厨不是把所有香料都倒进锅里，而是精选几味让主味突出——盲目堆特征等于一锅乱炖。

为何常见：直觉上“信息越多越好”合理，且加特征比删特征容易，很多人只看离线 AUC 微升就误以为有效。

误区我以为 CTR 就是点击除以曝光，算出什么就填什么。曝光只有 10 次、点击 8 次，我就直接把 80% 当作特征写进模型。

正解小样本下的比值波动极大。曝光 1 次点击 1 次的 CTR 是 100%，但这并不代表物品真的优质。平滑（如分子分母各加常数、或用全局 CTR 做经验贝叶斯先验）让统计量向整体水平收缩，相当于对只被一位客人尝过的菜保守打分，而不是盲目相信一次品尝的反馈。平滑后的特征远比原始比值稳定可靠。

为何常见：比值公式太直观，初学者容易忽略统计显著性，不知道小样本方差有多大。

误区深度学习时代一切特征都能用 Embedding 表达。我觉得统计特征又土又低效，恨不得全部换成 Embedding 喂给模型。

正解Embedding 擅长表达语义相似与高阶关联，但对精确数值关系并不敏感——“满 300 减 50”“8 月 15 日大促”这类精确信号，统计特征和数值特征表达得更直接。主流精排模型如 DeepFM 恰恰是把稀疏 Embedding 与稠密统计特征拼接使用，互补才达到最佳效果。高汤再浓，也不能替代盐和醋。

为何常见：看到论文里 Embedding 大放异彩，容易以偏概全，忽视了工业界特征工程是组合拳。

误区我觉得特征窗口越短越高级，最好每秒都重新计算。上线了“近 5 分钟点击率”后还想上线“近 30 秒点击率”。

正解窗口太短噪声会急剧上升——凌晨 3 点的 5 分钟点击率几乎全是偶然。更关键的是工程稳定性：每次调整窗口或统计口径，必须同时改在线逻辑与离线回放逻辑，否则训练和预估分布不一致，模型上线就会崩溃。实时特征设计是延迟、噪声、成本、一致性的平衡，不是单纯追求“新”。

为何常见：人们对“新鲜”有天然好感，却容易忽视统计稳定性与线上线下口径一致性这些硬约束。

面试题

Q1. 精排模型中，“用户年龄 × 商品价格带”这类交叉特征的主要目的是什么？

单选题 · easy

  • A.消除特征之间的相关性噪声
  • B.增加数据量以满足模型需求
  • C.捕捉两个特征组合时的协同效应← 正确答案
  • D.减少特征的维度以简化计算

答案：C。交叉特征的核心价值是表达“1+1>2“的协同效应，比如”年轻人 × 辣味”组合比两个特征单独更具预测力。A 是相关性分析的目标，B 与特征构造无关，D 通常交叉会增加维度而非减少。

Q2. 某物品曝光 10 次、点击 8 次，直接将其 CTR 作为特征的问题是什么？

单选题 · easy

  • A.数值一定偏大导致过拟合
  • B.小样本下统计波动大不稳定← 正确答案
  • C.该特征与标签完全无关
  • D.数值一定偏小导致欠拟合

答案：B。曝光 10 次的 CTR=80% 缺乏统计显著性，只是极端样本下的偶然结果。正确做法是平滑或用置信度加权。A 和 D 的“一定偏大/偏小”都是绝对化误判，C 完全否定该特征，均不正确。

Q3. 最小最大归一化 x'=(x-min)/(max-min) 的核心作用是什么？

单选题 · mid

  • A.将特征缩放到统一量纲← 正确答案
  • B.让特征服从正态分布
  • C.删除全部缺失值样本
  • D.扩大特征的方差数值

答案：A。归一化把不同量纲（价格、年龄、时长）映射到 [0,1]，让模型公平比较特征重要性。它不改变分布形态，B 是标准化的副作用而非本质；C 与归一化无关；D 不对，归一化通常压缩而非扩大方差。

Q4. Embedding 特征相比 one-hot 编码的核心优势是什么？

单选题 · mid

  • A.维度更高信息更丰富
  • B.语义相似物品距离更近← 正确答案
  • C.不需要训练即可获得
  • D.保证特征之间完全独立

答案：B。Embedding 通过神经网络把稀疏 ID 映射为稠密向量，使语义相似的物品在向量空间中距离相近，这是它“浓缩高汤”的本质。A 相反，Embedding 维度通常远低于 one-hot；C 错误，Embedding 需要训练；D 错误，向量各维并非独立。

Q5. 关于树模型的特征重要性，以下说法正确的是？

单选题 · mid

  • A.特征重要性越高说明取值越大
  • B.特征在分裂中的增益贡献占比← 正确答案
  • C.特征重要性等于相关系数值
  • D.特征重要性高即需要被删除

答案：B。特征重要性统计该特征在所有分裂节点带来的信息增益占比，反映的是“对预测的贡献度”，与取值大小无关，A 错；它是增益归一化的结果而非相关系数，C 错；重要性高的特征应保留而非删除，D 错。

Q6. 下列哪些属于上下文特征？

多选题 · mid

  • A.当前时间为上午十点整← 正确答案
  • B.用户历史购买总金额
  • C.今天是周日属于周末← 正确答案
  • D.物品近七天销量数据

答案：AC。上下文特征描述推荐发生时的场景，包括时间、地点、设备、网络等。A 的当前时间与 C 的是否周末都属于时效场景；B 是用户侧历史行为特征，D 是物品侧统计特征，均不属于上下文。

Q7. 为保证在线实时特征与离线训练特征口径一致，最关键的措施是什么？

单选题 · hard

  • A.线上线下一套特征计算代码← 正确答案
  • B.离线特征每天重新生成
  • C.线上模型参数完全复制
  • D.只保留用户侧特征数据

答案：A。训练与预估的一致性要求特征计算逻辑严格统一，复用同一套代码或特征平台是行业标准做法。B 只解决离线更新粒度，C 只涉及模型参数，D 直接放弃部分特征更是因噎废食。

Q8. 关于 CTR 统计特征的平滑处理，下列做法有效的是？

多选题 · extreme

  • A.分子分母各加小常数作为先验← 正确答案
  • B.直接用曝光量替代分母
  • C.用全局 CTR 作为先验再修正← 正确答案
  • D.删除曝光量小于阈值的样本

答案：AC。A 是常见的加平滑（如 Beta 先验），C 是经验贝叶斯平滑，二者都让稀有小样本的比值向全局均值收缩，有效。B 改变了比值定义会产生系统性偏差，D 直接删样本会丢失信息，都不是平滑的正规做法。

Q9. 在精排特征中，“当前时间”和“是否节假日”这两类特征属于哪一类？

单选题 · easy

  • A.描述用户画像的属性
  • B.描述物品内容的属性
  • C.描述当前环境的特征← 正确答案
  • D.描述历史行为的统计

答案：C。当前时间和是否节假日描述的是推荐请求发生的场景环境，属于上下文特征。A 是用户侧画像，B 是物品侧内容，D 是统计特征，均不匹配。

Q10. 下列哪些是特征筛选的常见方法？

多选题 · hard

  • A.基于覆盖率过滤低曝光特征← 正确答案
  • B.基于特征重要性阈值筛选← 正确答案
  • C.随机删除一半特征无依据
  • D.基于相关性去除冗余特征← 正确答案

答案：ABD。覆盖率过滤保证特征的可用性，重要性排序筛掉贡献低的特征，相关性分析去除冗余特征，三者都是系统化的筛选手段。C 的随机删除没有任何依据，会破坏特征结构，不属于工程实践。