即便深度学习流行，特征工程仍是排序模型效果的分水岭。原始日志只是行为序列，必须转化为用户、物品、上下文三类特征，模型才能理解其中的偏好信号。
用户侧特征刻画长期兴趣与短期意图，如历史点击品类、活跃时段、最近搜索词。物品侧特征描述内容属性与热度，如类目、发布时间、曝光点击比。上下文特征则捕捉场景，如设备、网络、地理位置。
交叉特征往往带来最大增益。用户偏好与物品类目的匹配度、年龄与内容的适配度，这类组合能表达单一特征无法覆盖的交互关系。但交叉特征数量爆炸，需要谨慎选择与降维。
特征处理要注意时间一致性。统计类特征只能用预测时刻之前的数据计算，否则会造成穿越。滑动窗口的粒度也要与业务节奏匹配，过快引入噪声，过慢反应迟钝。
好的特征工程不是堆数量，而是让每个特征有明确业务含义并可解释。上线后通过特征重要性与消融实验持续筛选，才能保持模型健康。
