某信息流推荐的排序模型里，你打算把「item 近 1 小时实时 CTR」（曝光做分母、点击做分子、分钟级更新）作为特征。离线看这个特征和 label 的相关性很高，但你把低曝光 item 单独拉出来看，它们的 CTR 分布方差极大：曝光 5 次点击 1 次的 item，CTR=20%；曝光 200 次点击 3 次的 item，CTR=1.5%。请回答：(a) 你会怎么把这个特征喂给模型；(b) 平滑参数怎么定；(c) 线上和离线怎么保证算的是同一个东西。

面试官在考什么

判断候选人是否真正理解比值型统计特征的方差-样本量关系、先验怎么选，以及训练/服务特征口径一致性，而不是只会说一句「加平滑」。

特征工程

回答框架 · 前两步

1. 不能用原始比值：这是小样本概率估计，方差约 p(1-p)/n，n 小时噪声主导，模型会去拟合噪声，且长尾 item 的分数剧烈抖动。
2. 可落地做法是按可信度向先验收缩，如 CTR_smooth=(click+α)/(imp+α+β)，α、β 由先验 CTR 和先验强度（等效虚拟曝光数）决定；也可用 Wilson 下界或拉普拉斯平滑 (click+k*p0)/(imp+k)。

同一能力域的其他题

• 冷启动问题你会怎么处理？新用户和新物品的策略一样吗？请分别说。
• 离线 AUC 涨了但线上 CTR 没涨，你会按什么顺序排查？请给出具体清单。
• CTR 模型里为什么要用 GAUC 而不只看 AUC？GAUC 是怎么算的、它解决了什么问题？
• 特征工程里你会怎么做特征穿越（label leakage）的检查？请举一个推荐场景里常见的穿越例子。
• 你做过线上 A/B 实验，请说明分流、样本量、显著性判断的要点。如果一个实验 p 值不显著，你怎么处理？
• 你在做一个首页信息流的 CTR 模型，要加一维特征「用户过去 7 天在该一级类目下的点击率」。训练样本取自 8 月 1 日–8 月 7 日的曝光日志（每天约 2 亿条），你打算 1–6 日做训练、7 日做验证。请说明：这个特征的统计窗口在离线训练和线上 serving 分别应该怎么算？为什么不能直接对整份日志算一个「过去 7 天」的统计再 join 回每条样本？