行为特征
在推荐系统领域，有一句非常著名的行话：“不要听用户说什么，要看用户做什么。”
这句话完美诠释了行为特征数据（Behavioral Feature Data）的地位。在绝大多数现代推荐系统中（如抖音、淘宝、甚至你刚才提到的证券交易系统），行为特征是最核心、权重最高、预测能力最强的数据，没有之一。
简单来说，行为特征数据就是“用户（User）在平台上与物品（Item）发生交互的全部历史记录”。
为了让你系统地理解，我们可以把行为特征分为三大类，并结合你的“证券交易推荐系统”来举例说明：
第一大类：隐式反馈行为（Implicit Feedback）—— 系统的基石
这是推荐系统中最常见、数据量最大的一类特征。用户并没有明确告诉你“我喜欢这个”，但他的潜意识动作出卖了他。
- 点击 / 浏览（Click / View）：用户点开了某只股票的详情页，或者点开了某篇“科技股资讯”。
- 停留时长（Dwell Time）：用户在“英伟达股票”的页面停留了 3 分钟，而在“某白酒基金”页面只停留了 3 秒就划走了。（停留时长是非常强烈的偏好信号）。
- 加入自选 / 收藏（Add to Watchlist / Favorite）：用户把某只股票加入了自选股列表。
- 搜索词（Search Query）：用户在搜索框里主动搜索了“固态电池”、“高股息”。
- 交易 / 购买（Purchase / Trade）：发生了真实的买入动作。在电商里是下单，在你的系统里是买入基金或股票。
特点：数据量极其庞大，极易收集，但包含一定的“噪音”（比如用户可能只是手滑点错了，并不代表真喜欢）。
第二大类：显式反馈行为（Explicit Feedback）—— 高质量的信号
这类特征是用户主动、明确表达自己喜好的行为。
- 打分 / 评级（Rating）：给某个理财产品打了 5 星。
- 点赞 / 踩（Like / Dislike）：对某篇资讯点了赞，或者点了“不感兴趣/减少推荐”。
- 评论 / 转发（Review / Share）：在某只股票的讨论区发表了看多/看空的评论，或者转发给了微信好友。
特点：数据极其精准，能直接反映用户的真实态度。但非常稀疏（100 个点击的人里，可能只有 1 个人会点赞或评论）。
第三大类：序列行为特征（Sequence Behavior）—— 现代大厂的杀手锏
这不仅仅是单一的行为，而是把行为按时间先后顺序串联起来，形成一个时间轴（Timeline）。你刚才代码里的 DIN (Deep Interest Network) 模型，就是专门为了处理这类特征而诞生的！
- 近期点击序列（Recent Click Sequence）：比如用户过去 20 次点击的股票 ID 序列：
[宁德时代 -> 阳光电源 -> 隆基绿能 -> ...]。 - 行为时间间隔（Time Gap）：用户上一笔交易距离现在过了多久？
为什么序列特征这么牛？
因为它能捕捉“兴趣的演变”。比如一个用户过去一年都在买“白酒”，但最近 3 天连续点击了 5 篇“半导体”的资讯。如果只看总历史，系统会认为他是白酒粉；但加上序列特征（加上时间衰减），DIN 模型就能敏锐地捕捉到：他现在的注意力已经转移到科技股了！
为什么行为特征比“用户画像”更准？（核心本质）
回到你之前的配置表：你有用户的静态画像（性别、钻石等级、填问卷时的“激进型”）。
现实业务中经常发生这种“打脸”的情况：
一个用户在开户填问卷时，为了显得自己稳重，勾选了“保守型”（画像特征）。
但是，如果你去看他的行为特征：他每天高频交易（交易行为），专挑波动率极高的ST股买（购买行为），而且经常搜索“涨停板战法”（搜索行为）。
此时，推荐模型（比如 YouTube DNN）在经过矩阵训练后，会发现“行为特征”的 Embedding 权重远远大于“画像特征”。模型会果断忽略他填的“保守型”，继续给他推荐高风险的“股票赠送”或“科技股资讯”。
总结
在你的推荐系统代码中，行为特征通常是这样被喂给模型的：
- 统计类行为：过去 30 天点击次数、购买总金额（直接作为连续特征输入）。
- 序列类行为：把用户最近点击的 20 个产品 ID (
MAX_SEQ_LEN = 20)，查出 20 个 Embedding 向量，通过DIN模型的注意力机制（Attention）融合在一起，告诉系统：“这就是用户此时此刻最真实的兴趣”。
浙公网安备 33010602011771号