你在做一个内容推荐模型，特征里有一条『用户近 7 天在该品类的点击率』，它是在离线用全量日志按 (user_id, category) 聚合算出来的。加上这条特征后，离线训练 AUC 从 0.78 涨到 0.92，但上线后线上 AUC 只有 0.63。请说明：这条特征为什么能在离线把 AUC 抬得这么高？你会怎么改？

面试官在考什么

判断候选人是否真正理解特征与标签的时间对齐（特征穿越 / 未来信息泄漏），以及能不能给出可落地的修法。

特征工程

回答框架 · 前两步

1. 这条特征的统计窗口覆盖了样本发生之后的点击行为，标签信息被编码进特征，离线相当于『看答案』，所以 AUC 虚高；
2. 泄漏不只发生在数据集切分环节，更发生在特征计算环节：聚合必须 point-in-time，只用到样本曝光时刻之前产生的数据；

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？