接下来需要做“特征配置”。特征配置在推荐方案配置中是一个核心的部分，我们期望通过界面配置出想要的特征，然后自动生成计算的MaxCompute 和Flink的SQL代码，生产出常见的统计特征、序列特征、MinMax特征、偏好KV统计特征，最终输出给向量召回、粗排和精排模型样本。
1.常用周期行为类型配置
常用周期：可以自定义配置，一般我们配置短、中、长周期，不可过多，过多可能引起过多的特征（如在一个周期统计200个特征，通常3个周期就有600个特征，如果是6个周期就会超过1200个特征）。
重点关注行为：即行为表填写的行为枚举值，一般在5个以下（和行为周期一样，太多会引起过多的特征）。如果有过多的行为类型，可以在上游准备表的时候合并一些不重要的，或者含义一样的行为类型。注意此处一般按照行为发生的先后次序，如次序应该是"曝光、点击、购买"（对应expr、click、praise，来自于event字段里面的枚举值）这种顺序，次序混乱会影响下面比率特征的生成，会给下游更改造成一些手动工作。
此处会根据统计周期以及行为类型，还有上游3张表提供的类目，数值，tag等类型的基础特征，点击【生成特征】，会自动在用户和物品侧衍生出多种统计特征。
2.基础衍生特征
一般根据上游对3张表的配置，下游对应的基础属性特征已经有一些自动的衍生特征，不过此处我们还可以点击添加，继续增加基础衍生特征。注意用户侧，物品侧，和行为侧都有基础属性特征的衍生。
IP衍生：配置IP衍生特征，只能在上游对应表配置的IP字段才可以衍生，我们可以根据配置，解析到IP的省份、城市、国家三种特征，注意解析结果有一定的误差。
距今时间测算：根据用户或者商品的注册时间，会计算距今多少天。
已有特征分段加工：只能数值字段，根据填写的分割点进行分割，分割后则是类目特征。
特征组合：表示多种类目字段的组合，可以是类目和类目，类目和tag，tag和tag字段组合，此种组合要求属于当前表，且要么都属于user侧，要么都属于item侧。
点击行为表，还有其余的2种基本衍生
当日时段加工：根据行为日志会衍生出属于日志发生于当天第几个小时
工作日时段加工：根据行为日志解析出日志发生于每周的第几天
如果手动增加完基础的衍生特征，需要点击右上角的保存，手动增加的基础衍生特征才会生效
3.行为偏好统计
如下图所示，我们已经自动衍生了多种统计特征，用户侧和物品侧都有对应的统计特征，其中自动以用户ID和物品ID作为聚合主键。目前有以下6种类型的统计：
行为统计计数
转化率统计
Top偏好属性类特征的行为计数
Top偏好属性类特征的行为占比
偏好数值类特征
Top类目与数值组合特征计算
如果觉得某些特征不需要，可以点击右侧的删除按钮，或者点击编辑对某个属性进行删除。如果需要添加特征可以点击右下角的【添加】按钮，继续添加多种类型的统计特征。以下是几种统计特征的介绍
行为统计计数
表示会统计用户在对应的周期，如3、7、15天中，统计对应的行为，如expr、click、praise发生的次数，如果带有去重ID，则表示依照ID去重之后的次数，如果有配置场景，则表示这些特征会统计发生在某个场景的行为。该示例配置会产生9个特征，即统计周期数量乘上统计行为数量（3*3=9）。
转化率统计
为统计行为的转化率，表示会统计用户，在对应的周期，如3、7、15天中，统计对应的行为相除，如click的次数除以expr的次数，praise的次数除以click的次数，如果不符合要求还可以继续修改、增加、删除。如果有配置场景，则表示只会统计发生在该场景的行为。该示例配置产生6个特征，统计周期数量乘以转化率公式数量。
Top偏好属性类特征的行为计数
表示会统计用户在对应的周期，如3、7、15天中，对属性特征类目或者多值类目，统计对应的行为，如expr,click,praise。每种属性值发生的次数，最终生成kv特征。如以类目day_h，行为是点击举例，生成特征"12:27.0,8:26.0,1:1.0"表示该用户在当前周期内，在12点的点击发生27次,8点的点击发生26次，1点的点击发生1次。如果有配置场景，则表示这些特征会统计发生在某个场景的数据下，如果key的数量过多，默认截断100个。该示例配置生成54个特征，数量=统计周期数量*统计行为数量*属性特征数量。
Top偏好属性类特征的行为占比
表示会统计用户在对应的周期，如3、7、15天中，对属性特征类目或者多值类目，统计对应的行为比率，如click/expr (ctr)，praise/click(cvr)比率特征。最终生成kv特征。如以类目cate为列,公式是click/expr，生成特征"12:0.27,8:0.26"表示该用户在当前周期内，在12类目的点击率是0.27,在类目8的点击率0.26。如果有配置场景，则表示这些特征会统计发生在某个场景的数据下，如果key的数量过多，默认截断100个。该示例配置生成36个特征，数量=统计周期数量*转化率公式数量*属性特征数量
偏好数值类特征
表示会统计用户在对应的周期，如3、7、15天中;在对应的行为中，如expr,click,praise;对选择的数值属性，根据计算逻辑进行统计。计算逻辑可以是总和，最大值，最小值，均值等。如果有配置场景，则表示这些特征会统计发生在某个场景的数据下。该示例配置生成36个特征，数量=统计周期数量*行为数量*数值特征数量。
Top类目与数值组合特征计算
表示会统计用户在对应的周期，如3、7、15天中；在对应的行为中，如expr、click、praise；根据计算逻辑,如总和，最大值，最小值，均值等；计算用户在对应类目特征下对某数值的偏好。如果有配置场景，则表示这些特征会统计发生在某个场景的数据下。该示例配置生成27个特征，数量=统计周期数量*行为数量*组合特征的类目特征数量。
4.序列特征
序列特征只会发生在用户侧。序列特征刚开始我们都是依靠现有的数据模拟实时序列特征，节省线上落下序列特征的时间，加速上线。其中模拟事件一般都是曝光事件；防穿越时间是指最近n秒的行为不会算入当前行为序列（因为推理的时候，日志回流链路原因会导致部分数据有延迟，如果模拟得过于实时，会导致训练有穿越）；序列特征分隔符，是指构造序列的时候，序列之间的分隔符；子特征分隔符，是指在一个序列中，子特征之间的分隔符。
行为周期：表示统计最近多少天内的行为，如果有多组序列，则最大的周期起作用。
统计行为：表示要统计的行为类型。
场景：表示只统计该场景下的行为，不选择则统计所有场景。
去重ID：表示在序列中会依据该子特征去重，保留当前时刻最后一次该行为发生。
子特征：表示序列特征的子特征，一般都是属于商品侧的非统计特征，包括类目、多值类目、以及数值特征。
阶段数量：表示序列特征最大保留的序列数量。
5.实时特征
以用户ID和物品ID为主键都可以创建实时特征，其中防穿越时间和序列特征的防穿越时间的功能一样，表示在目标行为的最近多少秒内的行为不会进入计数统计（因为行为日志从客户端传输到消息中间件，再统计写入到在线存储服务会有一段时间差；如果不设置防穿越时间，会导致线上统计不到理想的数据）。其中实时特征统计周期单位是秒。统计类型包含以下四种类型：
行为统计计数
转化率统计
Top偏好属性类特征的行为计数
Top偏好属性类特征的行为占比
该四种类型和行为偏好统计的四种含义一样，只是周期不同。
6.聚合特征
聚合特征在用户侧和物品侧都可以发生。需要选择聚合条件，只能选择类目特征作为聚合条件，并且可以配置多组。
会根据当前的聚合条件统计对应的特征。可以统计的类型和行为偏好的统计类型一样，含义也一样。例如下图第一行的含义：是统计在不同性别下“点击、点赞、曝光”的次数总计，例如“口红”这种商品，是女性点击的次数明显会多一些。
