特征工程知识笔记

1. recent click; recent skip

    加doc-id; 加类别等特征；

    分成最近1次session; 1小时；6小时；24小时；>24小时；多个时间段内统计特征出现次数；

    按照该特征出现次数，对其进行归一化，例如归一化到0～1浮点数区间内； 

    或者按特征出现次数，进行bining

 

2. 特征的不同层次，不同粒度, 都加进去

 

3. 用户画像的特征，按照频次进行分箱：

    男性&科比：低点击率；中低点击率；中点击率；中高点击率；高点击率

 

4. 广告点击率预估任务，GBDT，连续特征居多；

    男性&科比：fit到这个bucket里的展示，点击率是多少；

    按类别聚合：男性&[体育类关键词] 里面，点击率的Max, Min, Avg

 

5. 搜索里，位置排在前几的doc, 即是被点击，也不要做为正例样本，因为用户习惯点前几个的，并不是因为语义内容相关。

    而且，排名在前的，已经很强了，越增强越马太效应。

 

6. Click了一个军事，Skip了三个军事，那这3个Skip是否就是负例呢？也许是因为他点了一个军事，才Skip同题材的3个；如果把这3个军事加入负例，则会对召回造成不利；因此这里要从负例中去掉“重现过同类别Click的Skip们“

 

7. 某一个特征，设点击率p=click/show;  统计出所有用户p的均值和方差来，某一个用户而言，计算他这个特征的z-score，然后比如取z-score>1的（即他在这个特征上压过百分之八十多的人），加入到特征集里面去；用户画像里的特征们，就是这么来的！ 点过，但是超出平均点击率不多，也会被忽略掉。只保留强信号。

 

8. 视频图像特征：抽关键帧（相邻帧变化大的就是关键帧），训练ImageNet，倒数第二层拿出来，该视频所有帧上做AvgPooling; 可用来衡量两个视频的相似程度

 

9. 用在召回上, 体现相关性: 正例就是推送里面click的样本,负例包括推送里面skip的样本(做降权), 还包括热文章表里面没推送给该用户的文章(体现和用户之间的相关性)

 

10. Doc侧把几个facet的向量相加得到DocVec；User和Doc点了的做正例，随机选的Doc做负例（10个），也可再选几个Skip的Doc做负例（效果提升较微弱），联合训练；即User向量完全是学习出来的；

 

在工业界，很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点：

- 离散特征的增加和减少都很容易，易于模型的快速迭代
- 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展
- 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰
- 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合
- 离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力
- 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问
- 特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。
  李沐曾经说过：模型是使用离散特征还是连续特征，其实是一个“海量离散特征+简单模型” 同 “少量连续特征+复杂模型”的权衡。既可以离散化用线性模型，也可以用连续特征加深度学习。就看是喜欢折腾特征还是折腾模型了。通常来说，前者容易，而且可以n个人一起并行做，有成功经验；后者目前看很赞，能走多远还须拭目以待。
--------------------- 
原文：https://blog.csdn.net/u014135752/article/details/80789251