搜广推 / 05
特征工程与样本构造
搜广推项目里，很多收益来自特征和样本，而不是模型结构。面试官经常追问数据，是因为真实业务里最容易出问题的也是数据。
特征分层
常见特征可以分为：
- 用户特征：画像、长期偏好、活跃度、消费能力。
- 物料特征：类目、标签、质量、作者、价格、内容表示。
- 上下文特征：时间、地点、设备、入口、网络。
- 交叉特征：用户 x 类目、用户 x 作者、地域 x 物料。
- 行为序列：点击、购买、停留、收藏、搜索 query。
- 实时特征：当前 session、最近行为、实时热度。
特征不是越多越好，要看是否稳定、可用、低延迟、有增量。
标签定义
标签决定模型学什么。
点击标签简单，但可能鼓励标题党；停留时长能反映消费，但可能偏向长内容；购买标签价值高，但稀疏；负反馈标签重要，但数据少。
标签设计要和业务目标一致。推荐系统常用多目标标签，广告常用 CTR/CVR，风控常用风险标签，物流常用超时或完成概率。
样本窗口
样本构造要明确时间窗口：
- 曝光后多久算点击。
- 点击后多久算转化。
- 用户行为特征统计到哪个时间点。
- 训练集、验证集、测试集如何按时间切分。
时间窗口不清楚，很容易数据泄漏。
负样本
负样本不是随便采。
推荐里，曝光未点击可以是负样本，但用户可能根本没看到。广告里，点击未转化是 CVR 负样本，但转化可能延迟。搜索里，低位未点击不一定不相关。
常见策略：
- 曝光未点击作为基础负样本。
- 加入 hard negative。
- 按位置或曝光权重校正。
- 分场景采样。
- 对采样分布做校准。
特征穿越和泄漏
高频问题：
- 使用了未来统计特征。
- 标签后的行为进入特征。
- 全量数据统计泄漏测试集信息。
- 离线特征线上拿不到。
解决方式：
- 严格按样本时间生成特征。
- 使用时间切分验证。
- 离线线上共用特征定义。
- 做特征可用性检查。
训练线上一致性
线上服务里，特征可能缺失、延迟、版本不一致。训练时非常干净的数据，线上不一定存在。
上线前要做：
- 特征缺失率监控。
- 特征分布对比。
- 模型分数分布监控。
- shadow test。
- 回放验证。
面试题：如何构造 CTR 样本
理想回答：
样本以曝光为单位，曝光后一定时间窗口内点击为正样本，未点击为负样本。特征只能使用曝光时刻之前可获得的信息。训练集按时间切分，避免同一时间段泄漏。还会关注位置偏差、曝光偏差和负采样比例，并在上线后做校准。
面试题：为什么线上效果不如离线
常见原因：
- 样本分布变了。
- 特征线上缺失。
- 训练有泄漏。
- 负采样和线上真实分布不一致。
- 标签和业务目标不一致。
- 模型在关键分桶效果差。
总结
特征和样本决定模型学习的上限。一个成熟的搜广推项目，要能讲清楚样本来源、标签定义、负样本、特征窗口、偏差处理和线上一致性。
下一篇建议继续看：