特征时效性

定义

特征时效性描述一条新发生的事实经过采集、处理和分发后，何时能被推荐请求使用；它对应事实发生时刻与在线可用时刻的间隔。

核心判断

特征新鲜度是事件发生到在线可见的总延迟，过期特征会使模型响应滞后。

工程检查

分解采集、计算、写入、缓存和读取延迟并设置 freshness SLO。

适用与取舍

短期兴趣或热点变化明显时，实时行为特征比长周期聚合更可能及时反映变化；但更新频率越高，也越需要考虑流计算、存储和线上读取的成本。时效性目标应按特征用途分层，不把所有特征都做成同一刷新频率。

如何验证

从事件发生到在线可读分别记录采集、计算、写入、缓存和读取时间；同时检查训练样本读取的是当时可见的值，避免用事后更新的特征重放历史。对比特征延迟分布、请求延迟与最终业务指标，区分“更新更快”和“推荐确实改善”。

容易误判

线上特征看起来很新，但离线训练时使用了未来才可见的数据，离线指标会虚高；反过来，只有生产端更新快而消费端缓存未刷新，模型仍看到旧值。

本书依据

《第十五章-特征工程.pdf》，PDF 第12页（实时特征及其时效性、计算成本、服务延迟与稳定性的权衡）。

扩展说明

分段打点和训练时刻可见性校验是工程排查方法；本书页码不是任何业务的固定 freshness SLO，阈值要结合实际链路和成本设定。