第3章 推荐算法基础与特征工程：特征类型、交叉特征、Embedding原理
核心要点：特征工程是推荐模型性能的上限。字节跳动强调实时特征（用户秒级行为），阿里巴巴侧重稀疏特征（高基数离散特征+大规模Embedding）。本章从数据处理到模型输入，系统拆解特征设计全流程。
回答框架：数据处理 → 特征设计 → 模型输入
推荐系统特征工程的标准链路可抽象为三个阶段，面试中按此思路回答可体现系统性思维：
面试问答卡片
Q1: 推荐系统中常用的特征类型有哪些？如何处理不同类型特征？
面试官考察点：基础理解、数据类型敏感性、工程落地能力
回答框架：
- 分类：数值型（标准化/分桶）、类别型（One-hot/Label Encoding）、时序型（窗口统计/衰减）、多值型（Bag-of-words/Weighted sum）
- 处理原则：保持信息、压缩维度、适配模型（树模型无需归一化，神经网络需归一化）
示例回答（约80字）：
“推荐特征分为数值型、类别型、时序型、多值型。数值型做分位数分桶或对数变换；类别型采用Hash映射+Embedding；时序型用滑动窗口统计均值/频次；多值型通过加权加和或Attention提取。字节实时特征用Spark Streaming做窗口聚合，阿里稀疏特征用Hash + Embeddinmg降维。
可能追问：
- 如何处理高基数类别特征？
- 为什么神经网络需要归一化？
- 实时特征的时效性如何保证？
避坑提醒：不要只列举类型而忽略处理细节。面试官会追问“具体怎么处理”，务必能说出标准化公式或Hash冲突解决方案。
Q2: 如何构造交叉特征？常见方法有哪些？
面试官考察点：特征组合思路、模型范式理解、业务结合能力
回答框架：
- 手工交叉：笛卡尔积（用户×物品类别）、业务规则（如点击率×播放时长）
- 模型化交叉：FM（隐向量内积）、DeepFM（自动学习）、CIN（显式高阶交叉）
- 第三方工具：GBDT+LR（树分裂自动生成交叉特征）
示例回答（约85字）：
“交叉特征分人工和自动。人工常用COUNTRY×DEVICE、USER_AGE×ITEM_CATE等笛卡尔积；模型自动交叉用FM二阶交叉、DCN的CrossNet、AutoInt的Self-Attention。阿里场景偏好SHAP值筛选高收益交叉特征，亿级稀疏特征下采用Hash碰撞控制维度。
可能追问：
- FM与DeepFM的区别？
- 交叉特征的稀疏性问题如何解决？
- 在实时场景下如何高效计算交叉特征？
避坑提醒：避免只回答“手工交叉”而忽略模型自动交叉。推荐从“传统→现代”演进路径回答，体现对模型的理解深度。
Q3: 请解释Embedding原理，在推荐系统中如何应用？
面试官考察点：深度学习基础、表征学习、业务落地经验
回答框架：
- 原理：将离散变量映射为稠密向量，使语义相似对象在向量空间距离近（word2vec / NGCF）
- 应用：物品Embedding作为特征输入、用户Embedding与物品Embedding内积计算相似度、特征交叉（如FM内积）
- 进阶：预训练Embedding（如Item2Vec）、在线学习Embedding（实时更新）
示例回答（约90字）：
“Embedding将高维稀疏特征映射到低维稠密向量，核心是最大化共现概率或对比学习。推荐中，用户/物品Embedding做向量召回；特征Embedding拼接后输入DNN；FM将Embedding内积做二阶交叉。字节实时Embedding采用增量SGD更新，阿里预训练Graph Embedding捕捉行为序列结构。
可能追问：
- 如何处理冷门物品的Embedding？
- Embedding维度如何选择？
- 多模态特征如何对齐Embedding空间？
避坑提醒：不要只讲原理不讲应用。面试官希望听到你实际用过Embedding做召回或排序，准备好一个真实案例。
项目案例模板：实时特征工程与Embedding融合项目
| 项目名称 | 短视频推荐实时特征及Embedding平台建设 |
| 业务背景 | 短视频Feed流推荐需要秒级捕捉用户兴趣漂移，同时处理10亿级用户+5千万物品的稀疏特征 |
| 规模指标 | 日均处理200亿条实时行为日志；模型在线服务QPS 8万；特征存储量1.2PB；算法上线后CTR+5.2%，人均时长+3.8% |
| 技术栈 | Spark Streaming（实时特征聚合）、Flink（窗口统计）、Kafka（数据管道）、TensorFlow/PyTorch（Embedding训练）、Redis（特征缓存）、A/B测试框架 |
| 核心难点 | 1. 实时特征延迟<200ms，需优化窗口计算（滑动窗口+布隆过滤器）；2. 稀疏特征Embedding维度爆炸（采用Hash碰撞+频率截断）；3. 冷启动用户Embedding用人口统计初始化 |
| 面试高频追问 | ①实时特征流与批流一致性如何保证？②Embedding如何做增量更新？③高基数特征Hash冲突如何影响模型？如何缓解？ |
| 可迁移回答话术 | “我们采用Lambda架构，批流两套特征同时写入Redis，对比校验保证一致性。Embedding增量更新通过TensorFlow Distributed训练，每5分钟从Kafka拉取增量样本做梯度更新。Hash冲突采用多Hash分桶+p-RNN拼接，将冲突影响控制在0.3%以内。” |
进阶提示：面试字节时，重点突出实时特征处理链路（如滑动窗口时序特征）；面试阿里时，重点突出稀疏特征Hash / Embedding降维方案，以及离线大规模预训练Embedding（GraphSAGE）。