xTR 预估任务是搜索、推荐、广告、电商领域的一大类问题。此类问题的建模相对简单明了——构建一个针对 xTR 的二分类任务即可。从过往的工作经验来看，在数据量达到一定规模之前，NN 模型上的花活（DNN -> W&D 系列 -> 多目标系列）带来的提升有限；ROI 更高的做法是在数据清洗、特征工程上做细致的工作。
此篇将讨论 xTR 预估任务当中的特征工程。因内容宏大，难以一时完成；故而将会分批陆续更新。因涉及广泛，故而与博客内其他文章不同，此篇文章的内容，会很大程度上借鉴以至摘抄同好之文章，并做好引述工作。
时间类特征
作者：大博
链接：https://www.zhihu.com/question/350863682/answer/860524396
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。考虑问题中的「时间」。从三个角度：用户的时间，商品的时间，用户与商品间的时间。每个角度可以包括的时间类型：时间绝对值，时间间隔值。每个时间类型可以有不同的计算方法：统计型，独立型。（备注：一下就计算来的值算独立型，通过一堆独立值统计来的，用「平均/最大」等描述的特征算统计型。）
- 用户的时间：(刻画用户本身的习惯)
- 时间绝对值
- 统计型：一个月内最高频的浏览时间
- 独立型：用户当前浏览时间/用户上一次浏览时间
- 时间间隔值
- 统计型：用户曾经两次浏览的时间间隔的「平均」
- 独立型：用户本次浏览与上次浏览的时间间隔
- 商品的时间：(刻画商品本身的属性)
- 时间绝对值
- 统计型：商品最常被购买的时间
- 独立型：商品上架时间/预计下架时间（上下架指一个动作）
- 时间间隔值
- 统计型：三天除以三天内商品被购买次数
- 独立型：商品的在线时间/当前时间与商品常被购买时间的间隔
- 用户与商品间的时间：(刻画该用户到该商品的匹配程度)
- 时间绝对值
- 统计型：用户历史购买该商品的平均时间分布
- 独立型：用户上次购买该商品的时间/用户上次购买该商品所属品类的时间
- 时间间隔值
- 统计型：用户历史购买该品类商品的平均时间间隔
- 独立型：用户上次购买该商品到当前时间的时间间隔
最后总结下思路：
- 一般强特征都是用户到商品的交叉特征，「商品」要从商品id扩展到「品类」/「商户」/「标签」等等能交叉的角度。
- 时间间隔一般是强特。
- 历史统计型特征可以用条件概率去理解，虽不是强特，但多了是有用的。
- 哪怕是从「时间」考虑特征，特征所反应的含义应该是：这个人平时愿不愿意买东西，这件商品平时的受众是怎样的，这个人对这个商品的敏感程度是怎样的。
