1. 金融特征平台概述
在金融科技领域，特征平台（Feature Platform）已成为连接原始数据与机器学习模型的核心基础设施。它解决了特征工程中“开发与生产环境不一致”、“特征重复建设”、“在线/离线数据不一致”等关键痛点，是金融风控、智能推荐等场景中不可或缺的中间层。
特征平台在金融风控中的作用
金融风控模型依赖大量高时效性、高准确率的特征来评估用户信用风险、欺诈概率和交易异常。特征平台为风控场景提供以下核心能力：
- 统一特征生产：将分散在多个数据源（如交易流水、用户画像、设备指纹）的特征集中管理，避免重复开发。
- 实时特征计算：支持毫秒级特征生成，满足交易拦截、实时授信等场景的时效要求。
- 特征一致性保障：确保离线训练使用的特征与在线推理时生成的特征完全一致，消除训练/推理偏差。
- 特征血缘追踪：记录每个特征的来源、计算逻辑和版本变更，满足金融合规审计要求。
关键指标：某头部消费金融公司接入特征平台后，风控模型迭代周期从 2 周缩短至 3 天，特征复用率提升 60%，在线推理延迟控制在 20ms 以内。
特征平台在推荐系统中的作用
推荐系统依赖用户行为特征、物品属性特征和上下文特征来预测用户偏好。特征平台为推荐场景提供：
- 大规模特征存储与检索：支持百亿级特征向量的存储和近线检索。
- 特征时效性管理：区分实时行为特征（如最近点击）与离线画像特征（如长期偏好），按不同更新频率管理。
- 特征组合与衍生：提供声明式特征变换能力，如交叉特征、时序聚合特征。
- AB 实验特征隔离：支持同一推荐模型在不同实验组中使用不同版本的特征，加速策略验证。
特征平台核心概念
理解特征平台的三个核心概念——特征组、特征视图和特征服务——是掌握平台架构的基础。下表对比了这三个概念的定义与用途：
| 概念 | 定义 | 典型用途 | 示例 |
|---|---|---|---|
| 特征组 | 逻辑上相关的特征集合，通常对应同一数据源或同一实体类型 | 按业务域组织特征，便于权限管理和版本控制 | “用户基础信息组”（年龄、性别、职业） |
| 特征视图 | 从特征组中选取特定特征，并定义其计算逻辑、时间窗口和聚合方式 | 为不同模型定制特征组合，实现特征复用与隔离 | “近30天交易统计视图”（交易次数、金额均值） |
| 特征服务 | 将特征视图封装为可调用的 API 端点，提供在线/批量特征获取能力 | 统一特征对外暴露接口，屏蔽底层存储和计算细节 | GET /features/v1/user/12345 |
核心概念关系图
下图展示了特征组、特征视图与特征服务之间的层级关系，以及它们如何协同支撑模型训练与在线推理：
特征组详解
特征组是特征管理的最小逻辑单元，通常按以下维度划分：
- 按实体类型：用户特征组、商户特征组、设备特征组、交易特征组。
- 按数据源：内部业务库特征组、外部征信特征组、实时流特征组。
- 按更新频率：静态特征组（月更新）、动态特征组（日更新）、实时特征组（秒级更新）。
最佳实践：建议每个特征组包含 10~50 个特征，避免单个特征组过大导致版本管理复杂。特征组应设置明确的负责人和变更审批流程。
特征视图详解
特征视图是面向模型的特征组合模板，它定义了：
- 特征选择：从哪些特征组中选取哪些特征。
- 时间窗口：如“近 7 天”、“近 30 天”、“历史全量”。
- 聚合逻辑：如求和、均值、最大值、标准差、计数等。
- 特征变换：如归一化、分箱、对数变换、交叉组合。
一个特征视图可以被多个模型共享，也可以为特定模型定制。特征视图的版本管理是特征平台 API 版本管理的核心关注点。
特征服务详解
特征服务是特征平台对外暴露的统一接口层，提供以下能力：
| 服务类型 | 协议 | 典型延迟 | 适用场景 |
|---|---|---|---|
| 在线特征服务 | gRPC / HTTP REST | < 10ms | 实时风控、在线推荐 |
| 批量特征服务 | Spark / Flink 任务 | 分钟~小时级 | 离线训练、批量评分 |
| 近线特征服务 | 消息队列 + 批处理 | 秒~分钟级 | 准实时特征更新 |
注意：特征服务的 API 版本管理直接影响模型上线和回滚的灵活性。建议采用语义化版本（SemVer）策略，主版本号变更代表不兼容的接口改动，次版本号代表向后兼容的新增特征，补丁号代表内部优化。
特征平台整体架构
下图展示了特征平台在金融科技系统中的位置，以及它与上下游组件的关系：