题目重点：设计提高活动参与的系统，区分线上注册与线下到场，用带置信度的证据构造标签。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 目标是对用户有价值的实际参与和持续体验，不把报名量直接当真实出席。线上/线下活动需要各自成功定义。
- 二维码签到、活动后post/tag是不同强度证据；tag他人不保证他出席，没扫码也不证明没出席。
- 训练数据只使用授权活动信息，位置信息与社交关系遵循隐私，不秘密追踪用户线下行程。
解题路线
- 建报名→有意参与→签到/加入→结束后反馈的漏斗；记录证据来源与confidence，verified签到可强标签，post/tag为弱标签，unknown不要直接负标。
- 特征user兴趣/历史参与/可用时间、event主题/地点/开始时间/容量/组织者、cross距离/时间冲突/朋友报名。朋友报名是兴趣信号，实际是否到场仍分开。
- baseline按兴趣/时间距离规则加逻辑回归，量测能否识别真实参加；再用多任务模型预测报名与到场，在每阶段只使用预测时刻可见feature，结束后post不能作为之前推荐的输入泄漏。
- 训练验证按时间和活动隔离，避免同一活动同时落训练/测试；弱标签模型与人工抽样校准证据噪声，报告只在verified样本上与全体推估的区别。
- serving过滤已取消/满额/不合时间/不可见活动；探索新组织者但保留安全门槛。评估有效到场、满意、no-show、报名→到场转化和长期参与，AB需要考虑活动容量造成干扰。
手动走一遍
A报名但未出席，B忘扫码却出现在活动后合照，二者不能仅按registered=1都标正，也不能把B未签到确定标负。把B作为弱证据/unknown并抽样核对，比生成一个假“出席真值”更合理。
规模与取舍
活动候选先按时间/地点缩小，特征批查询与rank成本依候选规模；label成熟在活动结束后，训练需保留延迟窗。容量有限的活动实验可能互相挤占，需要分组或供给建模。
易错点与追问
容易失分的边界
- 在训练feature里加入活动结束后的post/tag会发生未来信息泄漏。
- 从只扫码的人学习会偏向扫码意愿而不是真实参与，需抽样审计不同证据群。
继续深挖
- 活动推荐提高报名却降低到场率，是拉来了低意图用户还是测量变化？分别看绝对真实到场、漏斗分组与数据质量。
- 如何处理远期event的label未成熟？延迟训练/明确censoring，不能立刻将未签到标负。
