完整题目
请分享你在学术或工作中参与的机器学习项目，重点说明项目中是否包含特征工程、模型选择、训练调参与评估的完整流程。
完整流程由问题与真实架构决定
可填写模板：
- 问题和指标：任务【分类/回归/排序/生成】，用户决策【】，主指标【】和约束【】。
- 数据与特征：数据来源、许可和时间范围【】；清洗、缺失、异常、类别和特征生成【】；按用户、实体或时间切分并检查泄漏。
- 基线与模型：简单基线【】；候选模型【】；用验证集和消融说明选择。XGBoost 与 DeepFM 都可以承担排序或预测角色，并不固定分别属于召回与精排。
- 训练调参：搜索空间、预算、随机种子、早停和 checkpoint【】；预处理只在训练集拟合。
- 评估与部署：离线指标、切片、置信区间、延迟、成本【】；线上若有则说明流量、观察窗口和回滚。
- 复盘：错误样本、数据漂移、监控和下一步【】。
模型链路必须来自候选人的实际系统。候选生成可以是规则、向量检索、协同过滤或学习模型，排序可以是树模型、深度模型或其他方法。方法名不决定流水线位置，目标函数、特征可用性、延迟与部署约束才决定。
继续追问 · 3 个问题
- 如果模型上线后效果衰减，你会如何排查和迭代
- 特征工程在大模型时代还有价值吗，和Prompt工程如何结合
- 如果数据量扩大10倍，你的方案需要哪些调整
换一种问法，检查是否真正理解
场景切入
假设你在做电商搜索排序，用户搜“大码连衣裙”，日志里有几百万条曝光。你会怎么从零开始搞一套特征，再到训练、评估、上线？说说你实际怎么推的。
层层追问
你做过机器学习的项目吧？……完整流程包括哪些环节？……比如特征工程你是怎么做的？……模型选型和调参呢？……最后怎么评估上线？
直球架构
请分享一个你跑通完整ML流程的项目，从特征工程、模型选择、训练调参到评估上线，每个环节具体怎么做的？
练习口述回答 · 30秒速答 + 90秒主答 + 完整展开
- 定义任务、用户决策和指标
- 说明数据、特征与防泄漏切分
- 用基线与消融选择模型
- 记录调参预算和复现条件
- 报告部署、监控与局限
【30秒速答】 完整机器学习项目要用真实链路回答。任务是【】，主指标与约束是【】；数据来自【】，经过【清洗与特征】，按【用户、实体或时间】切分防泄漏。基线为【】，候选模型为【】，通过【消融和验证】选择最终方案。调参记录搜索空间、预算和随机种子，结果同时看总体、切片、延迟和成本。XGBoost 与 DeepFM 都可能用于预测或排序，不固定一个做召回、一个做精排。模型位置必须来自实际架构，不能代写电商规模和收益。
【90秒主答】 项目开头说明模型支持什么决策。是预测点击、识别风险、排序候选，还是生成文本；错报和漏报的代价是否对称；离线指标与用户结果怎样关联。主指标可以是 AUC、F1、NDCG、误差或任务成功率，同时定义延迟、内存、可解释与合规约束。没有业务目标，后面的特征和模型无法判断好坏。
数据部分给来源、许可、时间、样本单位和标签生成过程。缺失值、异常值、重复样本、类别不平衡和标注冲突分别处理。特征工程只能使用预测时可获得的信息，归一化、编码和目标统计要在训练折内拟合。按随机行切分可能让同一用户、商品或时间未来信息跨集合，应该根据实体与部署时间设计切分，并做近重复检查。
【完整展开】 模型选择从可解释的简单基线开始，例如规则、线性模型或已有系统，再引入树模型、因子分解、深度网络或预训练表示。XGBoost 是梯度提升树，可使用结构化特征完成分类、回归或排序；DeepFM 结合因子分解的低阶交互与深度网络的高阶交互，也常用于 CTR 预测或排序。它们的论文与能力不规定系统层级。召回阶段可能用向量、协同过滤或规则，精排也可能用树模型或深度模型，取决于候选规模、特征时效和延迟。
调参要记录搜索空间、试验次数、随机种子、early stopping 和选择指标，避免对测试集反复调参。评估除了总体分数，还看类别、用户、时间和长尾切片，使用重复实验或置信区间。部署时保证线上线下预处理一致，记录 P95 延迟、吞吐、资源、漂移和回滚。若有线上实验，说明流量、对照、观察窗口和统计方法；没有就只说离线。复盘给出失败样本与下一次最小实验。一个可信的完整流程，来自每个环节都能对应真实代码与数据，而不是把流行模型硬塞进固定召回精排模板。