# 组合特征与高维稀疏问题

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 1 章 特征工程
- 页码线索：006-009
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：feature-engineering, recommendation, embedding

## 面试问题

什么是组合特征？如何处理高维组合特征？

## 30 秒回答

组合特征用于表达特征之间的交互关系，但高基数特征直接交叉会导致参数爆炸和过拟合。常见处理是低维 embedding、矩阵分解、GBDT 生成组合路径或特征选择。

## 展开要点

- 组合特征适合捕捉单独特征无法表达的条件关系。
- user_id x item_id 这类交叉会产生巨大稀疏空间。
- 低维向量表示可以把交叉参数量从乘法规模降下来。
- GBDT 路径可作为自动发现组合特征的一种方式。

## 高频追问

- 为什么推荐系统经常用 embedding？
- 特征交叉多是不是一定更好？
- 如何判断一个组合特征值得上线？

## 项目映射

- 用用户类型 x 内容类型解释推荐或广告点击率提升。
- 准备一个从业务假设出发设计组合特征的案例。

## AI PM 迁移

对 AI PM 来说，这对应“上下文组合”：用户、任务、场景、内容、工具状态一起决定模型体验。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。