排序模型的效果很大程度取决于特征质量。特征通常分为三类：用户侧特征描述“谁在看”，物品侧特征描述“看什么”，上下文特征描述“在什么场景下看”，三者交叉才能刻画真实决策过程。
用户侧特征包括人口属性、长期兴趣标签、历史行为统计和实时行为序列。统计类特征如近7天点击某类目次数、平均停留时长，往往比原始标签更有判别力，但要注意时间窗口和统计口径的一致性。
物品侧特征包括类目、价格、发布时间、内容质量分、历史点击率等。历史统计特征存在穿越风险，必须严格按时间切分，只用预测时刻之前的数据计算，否则离线评估虚高、线上效果崩塌。
上下文特征包括时段、地域、网络环境、页面位置和请求来源。位置偏差尤其重要，排在前面的物品天然获得更多点击，训练时必须做偏差校正，否则模型学到的是“位置好”而不是“内容好”。
特征工程要持续做有效性验证：单特征区分度、特征间相关性、在线增益。冗余特征不仅浪费算力，还可能引入噪声。建议建立特征管理系统，记录每个特征的来源、更新频率和实验结论。
