排序模型的效果，很大程度上取决于特征。用户特征描述是谁在看，物品特征描述内容本身，上下文特征描述在什么场景下看。三类特征配合，模型才有判断依据。
数值特征要做归一化或分桶，避免量纲差异让模型偏科。类别特征常用独热编码或嵌入表示，高基数类别要防止过拟合，可以加频次过滤。
交叉特征能捕捉组合规律，比如用户偏好与内容类别的组合。但交叉不宜过多，否则特征爆炸、训练变慢，还会引入噪声。
时效性特征很关键。用户最近一次点击、物品近期热度，往往比长期统计更有预测力。记得在训练和线上保持一致的特征口径，避免线上线下不一致。
