4、用户画像与特征工程：基础属性特征、行为特征、关系网络特征、特征存储与实时计算

在流式决策链路中，用户画像与特征工程是连接原始数据与额度定价模型的桥梁。特征的质量直接决定了模型对风险与收益的刻画能力。本章从基础属性、行为轨迹、关系网络三个维度拆解特征体系，并深入探讨特征存储架构与实时计算方案。

4.1 特征体系三维度

信贷场景下的用户特征可归纳为三大类：基础属性特征（静态或低频变化）、行为特征（动态时序）、关系网络特征（社交与资金关联）。三者共同构成完整的用户画像。

4.2 基础属性特征工程

基础属性特征通常来自用户授权数据或第三方数据源，处理重点在于缺失值填充、异常值清洗和分箱编码。

• 缺失值处理：对于学历、职业等分类特征，使用“未知”作为独立类别；对于收入等连续特征，使用中位数或分位数填充。
• 异常值截断：年龄超过100岁、收入为负值等明显错误数据，按业务逻辑截断或剔除。
• 分箱与WOE编码：将连续特征（如年龄）按业务经验或卡方分箱离散化，再计算每个分箱的WOE（Weight of Evidence）值，用于逻辑回归等线性模型。

# 年龄分箱与WOE编码示例（Python伪代码）
import pandas as pd
import numpy as np

def age_woe_encoding(df, target_col='is_default'):
    # 按业务经验分箱
    bins = [0, 25, 35, 45, 55, 100]
    labels = ['18-25', '26-35', '36-45', '46-55', '56+']
    df['age_bin'] = pd.cut(df['age'], bins=bins, labels=labels)
    
    # 计算每个分箱的坏账率与WOE
    total_good = df[target_col].sum()
    total_bad = len(df) - total_good
    woe_dict = {}
    for bin_label in labels:
        bin_df = df[df['age_bin'] == bin_label]
        good = bin_df[target_col].sum()
        bad = len(bin_df) - good
        woe = np.log((bad / total_bad) / (good / total_good))
        woe_dict[bin_label] = woe
    return woe_dict

4.3 行为特征工程

行为特征是流式决策中最具时效性的信号。核心处理思路包括统计聚合、时序特征和比率特征。

• 滑动窗口统计：过去7天/30天的登录次数、消费金额均值、最大单笔金额等。
• 趋势特征：近3个月额度使用率的斜率、还款金额的环比变化。
• 行为序列特征：用户从注册到首次借款的天数、浏览产品页面的路径长度。

4.4 关系网络特征工程

关系网络特征通过图算法提取用户的社会关系和资金往来模式。常用方法包括度中心性、PageRank和社区检测。

4.5 特征存储架构

特征存储需要同时满足在线低延迟读取和离线批量训练的需求。业界主流方案采用分层存储架构。

4.6 实时特征计算方案

流式决策要求特征在用户请求到达时立即可用。实时计算方案通常基于事件驱动架构，核心组件包括消息队列、流计算引擎和特征存储。

1. 事件采集：用户行为（点击、借款、还款）通过SDK上报至Kafka，每条事件携带用户ID、事件类型、时间戳。
2. 流计算：Flink消费Kafka消息，按用户ID进行keyBy分组，在滑动窗口内计算聚合特征（如近7天借款次数）。
3. 特征更新：计算结果写入Redis，设置TTL（如7天），同时异步写入HBase作为近线备份。
4. 在线读取：决策引擎在收到额度请求时，通过Feature Store的API从Redis读取实时特征，若缺失则降级到HBase。

-- Flink SQL 实时特征计算示例
CREATE TABLE user_behavior (
  user_id STRING,
  event_type STRING,
  amount DOUBLE,
  event_time TIMESTAMP(3),
  WATERMARK FOR event_time AS event_time - INTERVAL '5' SECOND
) WITH (
  'connector' = 'kafka',
  'topic' = 'user_events',
  'properties.bootstrap.servers' = 'localhost:9092',
  'format' = 'json'
);

CREATE TABLE redis_sink (
  user_id STRING,
  loan_count_7d BIGINT,
  total_amount_7d DOUBLE,
  PRIMARY KEY (user_id) NOT ENFORCED
) WITH (
  'connector' = 'redis',
  'redis.mode' = 'single',
  'host' = 'localhost',
  'port' = '6379'
);

INSERT INTO redis_sink
SELECT
  user_id,
  COUNT(*) AS loan_count_7d,
  SUM(amount) AS total_amount_7d
FROM user_behavior
WHERE event_type = 'loan'
GROUP BY
  user_id,
  HOP(event_time, INTERVAL '1' MINUTE, INTERVAL '7' DAY);

4.7 特征质量监控

特征工程上线后必须建立持续监控机制，防止数据漂移或特征失效导致模型退化。