用户行为特征的时间衰减系数，直接影响排序结果。某内容平台2023年10月做了组对比：系数0.9、0.95、1.0（不衰减），各跑7天，样本每组约45万人。结果0.95组的次日留存最高，比1.0组高1.4个百分点，比0.9组高0.6个百分点。
先解释系数含义。设半衰期形式为w=0.5^(t/h)，h为半衰期小时数。0.9和0.95指按小时衰减的底数，等价半衰期分别约6.6小时和13.5小时。内容消费场景下，13小时左右的半衰期更贴近真实兴趣周期。
对比3类特征的处理方式。点击类特征半衰期取12小时，因为兴趣变化快；收藏类取72小时，因为收藏代表较强意图；搜索类取24小时，介于两者之间。统一用一个系数是常见错误，会把收藏和误触同等对待。
案例：某用户上午9点看了3篇健身内容，下午2点看了1篇美食，晚上8点打开应用。若统一半衰期6小时，健身权重衰减到约0.35，美食约0.79，排序推美食；若点击12小时、收藏72小时分开算，且该用户收藏过1篇健身，健身综合权重反超，推健身更符合实际。
概率视角：把用户对类目的兴趣建模为泊松过程，事件到达率λ随类目变化。时间衰减本质是给近期事件更高权重，等价于指数分布的记忆核。半衰期取多大，取决于类目的平均复访间隔。统计显示，健身类平均复访间隔约9小时，美食约15小时，所以前者半衰期该短一些。
常见错误4个：1）对所有行为用同一系数；2）衰减只看曝光时间，不看行为发生时间；3）离线调参用全量数据，线上只取近7天，分布不一致；4）系数在训练和 Serving 两端实现不一致，一端用小时一端用天，差24倍。
落地步骤：1）按行为类型分3档半衰期（12h/24h/72h）；2）离线用最近14天数据网格搜索，步长0.05；3）线上灰度2组，每组至少10万人，跑满7天；4）看主指标留存和辅助指标人均曝光类目数；5）稳定后每月复评一次。数值参考：某平台最终取点击12h、搜索24h、收藏72h，线上人均使用时长提升2.3%。
