系列列表：

广告特征工程系列之一：在线程序化特征定义

广告特征工程系列之二：大数据结果引入并特征相关化

广告特征工程系列之三：特征历史数据指导特征计算

#特征历史数据指导特征计算

##按照概率的计算方式

假设用户A已经拥有如下标签：F10男性，F12已婚，F16无子女，F20本科

待投的广告有2个：微型轿车、大中型轿车

那么我们将市场平均概率与该人的相应实际情况进行比较，也就是市场概率即此人的购车期望与此人的目前实际情况进行比较，涉及到期望的数据为：

与待投广告有关的市场期望标签：F2=用户.轿车.Exists(轿车.cat=微型),F6=用户.轿车.Exists(轿车.cat=中大型)

根据往年历史调研，与此有关的几项数据有：

P(F10,F2)/P(F2)=50.3%
P(F10,F6)/P(F6)=64.3%
P(F12,F16,F2)/P(F2)=11.6%
P(F20,F2)/P(F2)=22.7%
P(F20,F2)/P(F6)=43.6%

那么分别计算此人对某广告的期望与实际情况：

P(F10,F12,F16,F20,F2)为有车概率
P(F10,F12,F16,F20)或P(F10,F12,F16,F20,^F2)为无车的概率

那么我们是需要计算

P(F10,F12,F16,F20,F2)=1-^P
=1-^P(F10)|^P(F12)|^P(F16)|^P(F20)|^P(F2)
=1-^P(F10,F2)|^P(F12,F16)|^P(F20)
=1-(1-P(F10,F2))|

##按照均值的计算方式

##来源的影响

##时间的影响