杨旭东的专栏

摘要：深度学习时期，与CV、语音、NLP领域不同，搜推广场景下特征工程仍然对业务效果具有很大的影响，并且占据了算法工程师的很多精力。数据决定了效果的上限，算法只能决定逼近上限的程度，而特征工程则是数据与算法之间的桥梁。本文尝试总结一些在推荐场景下做特征工程的常用套路，包括常用的特征变换算子、Bin-Counting技术以及特征查漏补缺的方法。读者受益深入理解常用的特征变换操作。了解优质特征工程的判断标准。掌握推荐场景下构建高质量特征的一般方法。一、为什么要精做特征工程在完整的机器学习流水线中，特征

在推荐算法领域，时常会出现模型离线评测效果好，比如AUC、准召等指标大涨，但上线后业务指标效果不佳，甚至下降的情况，比如线上CTR或CVR下跌。本文尝试列举一些常见的原因，为大家排查问题提供一点思路。

有时候我们会遇到推荐算法上线之后，效果不如预期的情况。这种情况下，该如何改进呢？下面就尝试列出一些检查清单，按照重要性的顺序，建议从上往下依次检查。当然，这些清单还不全面，欢迎大家一起来补充！