接下來需要做“特徵配置”。特徵配置在推薦方案配置中是一個核心的部分，我們期望通過介面配置出想要的特徵，然後自動產生計算的MaxCompute 和Flink的SQL代碼，生產出常見的統計特徵、序列特徵、MinMax特徵、偏好KV統計特徵，最終輸出給向量召回、粗排和精排模型樣本。
1.常用周期行為類型配置
常用周期：可以自訂配置，一般我們配置短、中、長周期，不可過多，過多可能引起過多的特徵（如在一個周期統計200個特徵，通常3個周期就有600個特徵，如果是6個周期就會超過1200個特徵）。
重點關注行為：即行為表填寫的行為枚舉值，一般在5個以下（和行為周期一樣，太多會引起過多的特徵）。如果有過多的行為類型，可以在上遊準備表的時候合并一些不重要的，或者含義一樣的行為類型。注意此處一般按照行為發生的先後次序，如次序應該是"曝光、點擊、點贊"（對應expr、click、praise，來自於event欄位裡面的枚舉值）這種順序，次序混亂會影響下面比率特徵的產生，會給下遊更改造成一些手動工作。
此處會根據統計周期以及行為類型，還有上遊3張表提供的類目，數值，tag等類型的基礎特徵，點擊【產生特徵】，會自動在使用者和物品側衍生出多種統計特徵。
2.基礎衍生特徵
一般根據上遊對3張表的配置，下遊對應的基礎屬性特徵已經有一些自動的衍生特徵，不過此處我們還可以點擊添加，繼續增加基礎衍生特徵。注意使用者側，物品側，和行為側都有基礎屬性特徵的衍生。
IP衍生：配置IP衍生特徵，只能在上遊對應表配置的IP欄位才可以衍生，我們可以根據配置，解析到IP的省份、城市、國家三種特徵，注意解析結果有一定的誤差。
距今時間測算：根據使用者或者商品的註冊時間，會計算距今多少天。
已有特徵分段加工：只能數值欄位，根據填寫的分割點進行分割，分割後則是類目特徵。
特徵組合：表示多種類目欄位的組合，可以是類目和類目，類目和tag，tag和tag欄位組合，此種組合要求屬於當前表，且要麼都屬於user側，要麼都屬於item側。
點擊行為表，還有其餘的2種基本衍生
當日時段加工：根據行為日誌會衍生出屬於日誌發生於當天第幾個小時
工作日時段加工：根據行為日誌解析出日誌發生於每周的第幾天
如果手動增加完基礎的衍生特徵，需要點擊右上方的儲存，手動增加的基礎衍生特徵才會生效
3.行為偏好統計
如下圖所示，我們已經自動衍生了多種統計特徵，使用者側和物品側都有對應的統計特徵，其中自動以使用者ID和物品ID作為彙總主鍵。目前有以下6種類型的統計：
行為統計計數
轉化率統計
Top偏好屬性類特徵的行為計數
Top偏好屬性類特徵的行為佔比
偏好數值類特徵
Top類目與數值組合特徵計算
如果覺得某些特徵不需要，可以點擊右側的刪除按鈕，或者點擊編輯對某個屬性進行刪除。如果需要添加特徵可以點擊右下角的【添加】按鈕，繼續添加多種類型的統計特徵。以下是幾種統計特徵的介紹
行為統計計數
表示會統計使用者在對應的周期，如3、7、15天中，統計對應的行為，如expr、click、praise發生的次數，如果帶有去重ID，則表示依照ID去重之後的次數，如果有配置情境，則表示這些特徵會統計發生在某個情境的行為。該樣本配置會產生9個特徵，即統計周期數量乘上統計行為數量（3*3=9）。
轉化率統計
為統計行為的轉化率，表示會統計使用者，在對應的周期，如3、7、15天中，統計對應的行為相除，如click的次數除以expr的次數，praise的次數除以click的次數，如果不符合要求還可以繼續修改、增加、刪除。如果有配置情境，則表示只會統計發生在該情境的行為。該樣本配置產生6個特徵，統計周期數量乘以轉化率公式數量。
Top偏好屬性類特徵的行為計數
表示會統計使用者在對應的周期，如3、7、15天中，對屬性特徵類目或者多值類目，統計對應的行為，如expr,click,praise。每種屬性值發生的次數，最終產生kv特徵。如以類目day_h，行為是點擊舉例，產生特徵"12:27.0,8:26.0,1:1.0"表示該使用者在當前周期內，在12點的點擊發生27次,8點的點擊發生26次，1點的點擊發生1次。如果有配置情境，則表示這些特徵會統計發生在某個情境的資料下，如果key的數量過多，預設截斷100個。該樣本配置產生54個特徵，數量=統計周期數量*統計行為數量*屬性特徵數量。
Top偏好屬性類特徵的行為佔比
表示會統計使用者在對應的周期，如3、7、15天中，對屬性特徵類目或者多值類目，統計對應的行為比率，如click/expr (ctr)，praise/click(cvr)比率特徵。最終產生kv特徵。如以類目cate為列,公式是click/expr，產生特徵"12:0.27,8:0.26"表示該使用者在當前周期內，在12類目的點擊率是0.27,在類目8的點擊率0.26。如果有配置情境，則表示這些特徵會統計發生在某個情境的資料下，如果key的數量過多，預設截斷100個。該樣本配置產生36個特徵，數量=統計周期數量*轉化率公式數量*屬性特徵數量
偏好數值類特徵
表示會統計使用者在對應的周期，如3、7、15天中;在對應的行為中，如expr,click,praise;對選擇的數值屬性，根據計算邏輯進行統計。計算邏輯可以是總和，最大值，最小值，均值等。如果有配置情境，則表示這些特徵會統計發生在某個情境的資料下。該樣本配置產生36個特徵，數量=統計周期數量*行為數量*數值特徵數量。
Top類目與數值組合特徵計算
表示會統計使用者在對應的周期，如3、7、15天中；在對應的行為中，如expr、click、praise；根據計算邏輯,如總和，最大值，最小值，均值等；計算使用者在對應類目特徵下對某數值的偏好。如果有配置情境，則表示這些特徵會統計發生在某個情境的資料下。該樣本配置產生27個特徵，數量=統計周期數量*行為數量*組合特徵的類目特徵數量。
4.序列特徵
序列特徵只會發生在使用者側。序列特徵剛開始我們都是依靠現有的資料類比即時序列特徵，節省線上落下序列特徵的時間，加速上線。其中類比事件一般都是曝光事件；防穿越時間是指最近n秒的行為不會算入當前行為序列（因為推理的時候，日誌迴流鏈路原因會導致部分資料有延遲，如果類比得過於即時，會導致訓練有穿越）；序列特徵分隔字元，是指構造序列的時候，序列之間的分隔字元；子特徵分隔字元，是指在一個序列中，子特徵之間的分隔字元。
行為周期：表示統計最近多少天內的行為，如果有多組序列，則最大的周期起作用。
統計行為：表示要統計的行為類型。
情境：表示只統計該情境下的行為，不選擇則統計所有情境。
去重ID：表示在序列中會依據該子特徵去重，保留當前時刻最後一次該行為發生。
子特徵：表示序列特徵的子特徵，一般都是屬於商品側的非統計特徵，包括類目、多值類目、以及數值特徵。
階段數量：表示序列特徵最大保留的序列數量。
5.即時特徵
以使用者ID和物品ID為主鍵都可以建立即時特徵，其中防穿越時間和序列特徵的防穿越時間的功能一樣，表示在目標行為的最近多少秒內的行為不會進入計數統計（因為行為日誌從用戶端傳輸到訊息中介軟體，再統計寫入到線上儲存服務會有一段時間差；如果不設定防穿越時間，會導致線上統計不到理想的資料）。其中即時特徵統計周期單位是秒。統計類型包含以下四種類型：
行為統計計數
轉化率統計
Top偏好屬性類特徵的行為計數
Top偏好屬性類特徵的行為佔比
該四種類型和行為偏好統計的四種含義一樣，只是周期不同。
6.彙總特徵
彙總特徵在使用者側和物品側都可以發生。需要選擇彙總條件，只能選擇類目特徵作為彙總條件，並且可以配置多組。
會根據當前的彙總條件統計對應的特徵。可以統計的類型和行為偏好的統計類型一樣，含義也一樣。例如下圖第一行的含義：是統計在不同性別下“點擊、點贊、曝光”的次數總計，例如“口紅”這種商品，是女性點擊的次數明顯會多一些。
