问答搜索引擎系统排序算法中，主要是精排算法应用中，如常用的 xgboost 算法中，对于预测用户是否点击 item 的目标（ctr 预估），有哪些特征因子重要性高，或者叫哪些特征和 ctr 强相关？
经验之谈
笔者之前做过垂直行业的问答搜索系统的排序工作，在实践中得出如下特征和用户是否点击 item 相关，重要度不分前后。
这里 item 指的是返回的问答内容。
上下文特征（Context）
上下文特征主要指用户的一个搜索请求（request）时的参数，也包含 query 分析的结果，如意图分类、词性、NER 等信息。
| 特征 | 类型 | 描述 |
|---|---|---|
| query | String | 用户的搜索 query。 |
| platform | String | 平台信息，如 "android"、"iphone"、"pc"、"h5"、"wechat_mini_program"、"ipad"、"android_tablet" 等。 |
| version | String | 版本信息，主要是针对 "android"、"iphone"、"ipad"、"android_tablet" 移动客户端而言。 |
| page | Number | 请求页数，这个参数是比较重要的排序特征。 |
| timestamp | Number | 请求的时间戳。 |
| ip | String | ip 信息（该特征对于精排用处不大）。 |
还有基于 query 的加工的上下文特征，如下：
| 特征 | 类型 | 描述 |
|---|---|---|
| intention | String | 意图分类信息，这是根据具体业务定义的，常用的模型有 TextCNN。 |
| ner_list | Array[String] | 命名实体识别（NER）信息列表，这也是根据具体业务定义的。 |
| nature_list | Array[String] | 分词词性信息列表，基于中文通用词性标准即可。 |
有一些业务会有 lbs 特性，这时地域相关信息也是组成上下文特征的重要组成部分，如下：
| 特征 | 类型 | 描述 |
|---|---|---|
| country | Number | 国家标识，这个主要对于全球性的应用，相信绝大多数业务场景用不到。 |
| province_id | Number | 省级行政区 id 信息。 |
| city_id | Number | 地级行政区 id 信息。 |
| county_id | Number | 县级行政区 id 信息。 |
| town_id | Number | 乡级行政区 id 信息（如果必要，一般产品业务不会精确到此）。 |
| village_id | Number | 村级行政区 id 信息（如果必要，一般产品业务不会精确到此）。 |
| latitude | Number | 纬度信息（经常和经度信息结合在一起处理成 geohash 特征值）。 |
| longitude | Number | 经度信息，同上，处理成 geohash 的精度可以和行政区 id 避开。 |
除了上述的上下文特征外，绝大多数应用的搜索都有筛选项，这些特征在用户选择筛选项时，虽然作用局限，也应纳入精排特征。
item 特征（Item）
对于问答系统的 item 就是问答内容相关信息了，相信读者对这部分的经验总结比较感兴趣，大致如下划分：
- similarity score，相关性（查询相似度）相关的特征信息，像 BM25、TF-IDF 等计算的分数，该特征强调 query 和 item 的相关性；
- ctr，item 的历史点入率（点击率）相关的特征，一般从时间范围、置信度处理、UV 等角度进行处理，下面会详细列出，ctr 特征间接反映 item 的质量；
- feedback feature，即用户针对 item 的反馈特征，如 问题回答数、最佳答案赞同数、最佳答案收藏数、最佳答案分享数、最佳答案评论数、最佳答案点赞率（顶/(顶+踩)）、最佳答案文案长度、所有回答的以上类似统计；
- static feature，即 item 的静态特征，如 问题长度、问题创建时间距现在时长、提问者信息 等等。
| 特征 | 类型 | 描述 |
|---|---|---|
| question_score | Number | 问题的相关性分数。 |
| best_answer_score | Number | 最佳答案的相关性分数。 |
| 其它字段相关性分数 | Number | 其它文本字段相关性分数，如 作者名称、nlp 提取的标签（tag）内容 等等。 |
| all_text_score | Number | 所有文本摊开之后的相关性分数，这个为了 fix query 中部分命中 question，而另一部分匹配其它字段的情况。 |
除了 query 相关性特征外，另一个重要的特征是 item ctr 特征，该类特征一般会修正后使用，可以如下：
| 特征 | 类型 | 描述 |
|---|---|---|
| wilson_ctr_7 | Number | 7 天的 ctr 威尔逊置信度区间下限，置信度一般设置 95%。 |
| wilson_uv_ctr_7 | Number | 7 天的 uv ctr 威尔逊置信度区间下限，uv_ctr = 点击 uv 数 / 曝光 uv 数。 |
| query_cls_ctr_7 | Number | 7 天的 query 意图分类下的 item ctr 威尔逊置信度区间下限。 |
| query_cls_uv_ctr_7 | Number | 7 天的 query 意图分类下的 uv ctr 威尔逊置信度区间下限。 |
| wilson_ctr_28 | Number | 28 天（也就是 4 周）的 ctr 威尔逊置信度区间下限。 |
| wilson_uv_ctr_28 | Number | 28 天的 uv ctr 威尔逊置信度区间下限。 |
| query_cls_ctr_28 | Number | 28 天的 query 意图分类下的 item ctr 威尔逊置信度区间下限。 |
| query_cls_uv_ctr_28 | Number | 28 天的 query 意图分类下的 uv ctr 威尔逊置信度区间下限。 |
| 特征 | 类型 | 描述 |
|---|---|---|
| question_answer_cnt | Number | 问题的回答数。 |
| best_answer_agree_cnt | Number | 最佳答案赞同数。 |
| best_answer_agree_ratio | Number | 最佳答案赞同率，赞同/(赞同+不赞同)。 |
| best_answer_comment_cnt | Number | 最佳答案评论数。 |
| best_answer_collect_cnt | Number | 最佳答案收藏数。 |
| best_answer_share_cnt | Number | 最佳答案分享数。 |
| best_answer_word_cnt | Number | 最佳答案字数（长度）。 |
| best_anser_img_cnt | Number | 最佳答案图片个数。 |
| best_answer_user_id | Number | 最佳答案作者 id。 |
| best_answer_time_distance | Number | 最佳答案距今时长。 |
| all_answer_agree_cnt | Number | 所有答案赞同数。 |
| all_answer_agree_ratio | Number | 所有答案赞同率，赞同/(赞同+不赞同)。 |
| all_answer_comment_cnt | Number | 所有答案评论数。 |
| all_answer_collect_cnt | Number | 所有答案收藏数。 |
| all_answer_share_cnt | Number | 所有答案分享数。 |
| all_answer_word_cnt | Number | 所有答案字数（长度）。 |
还有一些问答本身固定的信息，即静态特征，如下：
| 特征 | 类型 | 描述 |
|---|---|---|
| question_word_cnt | Number | 问题字数（长度）。 |
| question_user_id | Number | 提问者信息，常用提问者的 uid。 |
| question_time_distance | Number | 提问距今时长。 |
用户特征（User）
用户特征在精排里面主要 cover 个性化，更好地拟合有共性的用户的搜索体验，笔者给出的经验示例如下：
| 特征 | 类型 | 描述 |
|---|---|---|
| search_click_1_list | Array[Number] | 搜索点击过的列表。 |
| search_query_list | Array[String] | 搜索查询过的 query 列表。 |
| search_click_{tab}_list | Array[Number] | 其它搜索 tab 页点击过的列表（若有）。 |
| 其它场景的点击列表 | Array[Number] | 如果业务有其它场景的用户点击行为（如推荐点击的 item id 列表）。 |
除了用户动态特征外，还有静态特征，如下：
| 特征 | 类型 | 描述 |
|---|---|---|
| sex | Number | 识别的用户性别（若可获取）。 |
| age | Number | 用户年龄（若可获取）。 |
| education | String | 学历（若可获取）。 |
| role | String | 角色（若可获取）。 |
| salary | Number | 收入（若可获取）。 |
| marriage | Number | 婚姻（若可获取）。 |
还有籍贯、民族、政治面貌等等，但是绝大多数这些信息很难获取到，且对问答搜索场景作用有限。
此外除了用户动态属性和用户静态属性外，用户画像工业界还会划分出用户消费属性和用户心理属性，这些是需要通过其它的方法提取出来的，而且这些对问答搜索系统作用有限，这里忽略。