本篇文档主要介绍定制排序模型的特征类型配置属性，不同特征配置有相应限制，以下是对应规范和限制。
介绍
本篇文档主要介绍定制排序模型的特征类型配置属性，不同特征配置有相应限制，以下是对应规范和限制。
公共属性
字段名 | 是否必选 | 含义 |
feature_name | 是 | feature_name会被当作最终输出的feature的前缀 |
feature_type | 是 | 即下文中的类型 |
id_feature（离散ID特征）
id feature是一个sparse feature，是一种最简单的离散特征，只是简单的将某个字段的值与用户配置的feature名字拼接。适用字符串和整型数据
raw_feature（原始数值特征）
-raw feature是一种dense的feature，是直接引用原始feature的字段值作为feature的value。适用于浮点型和整型。
-embedding等输入可以设置value_dimension，数值用不可见字符ascii(29)分割拼接成字符串。
参数名 | 是否必须 | 类型 | 示例值 | 描述 |
value_dimension | 否 | int | 128 | 输出的字段的维度，默认为1 |
combo_feature（组合交叉特征）
适用于字符串和整型特征的组合，不要尝试对浮点值特征作为输入。
combo feature是多个字段（或表达式）的组合（即笛卡尔积），id feature可以看成是一种特殊的combo feature，即参与交叉字段只有一个的combo feature。一般来讲，参与交叉的各个字段来自不同的表（比如user特征和item特征进行交叉）。
lookup_feature（匹配查找特征）
lookup feature 依赖 map 和 key 两个字段，map是一个多值string(MultiString)类型的字段，其中每一个string的样子如"k1:v2"。；key可以是一个任意类型的字段。生成特征时，先是取出key的值，将其转换成string类型，然后在map字段所持有的kv对中进行匹配，获取最终的特征。item的多值用多值分隔符ascii(29)分隔。
参数名 | 是否必须 | 类型 | 示例值 | 取值范围 | 描述 |
map | 是 | string | 如系统内置基础特征："system_query_ctr_decay" | 多值string类型的字段，其中每一个string形如"k1:v2" | |
key | 是 | string | 如系统内置基础特征："system_raw_q_ultra" | 任意类型的字段，生成特征时转换为string，从map中匹配 | |
combiner | 否 | string |
| 存在多个相同key时，通过combiner组合多个查到的值，默认为sum |
overlap_feature（匹配重叠特征）
用来输出一些字符串字词匹配信息的feature
参数名 | 是否必须 | 类型 | 示例值 | 取值范围 | 描述 |
query | 是 | string | "user:attr1" | 多值string类型的字段，分隔符使用'\u001d'（ascii(29)） | |
title | 是 | string | "item:attr2" | 多值string类型的字段，分隔符使用'\u001d'（ascii(29)） | |
method | 是 | string |
|
|
示例
query为high,high2,fiberglass,abc
title为high,quality,fiberglass,tube,for,golf,bag
method | separator | feature |
common_word | high_fiberglass | |
diff_word | " " | high2 abc |
query_common_ratio | 5 | |
title_common_ratio | 28 | |
is_contain | 0 | |
is_equal | 0 |
特征生成
除了基础特征，模型训练实际用的特征会更加复杂，比如交叉多个基础特征生成新的训练特征，即特征生成过程。目前对排序模型而言，按照特征生成（FeatureGenerate）规则进行配置，即可得到需要的训练特征，如图所示：
FG规则：
