特征构造中的历史平移问题

在电商推荐的场景中，常常会出现：
我们在准备样本数据的时候，会采用某物品的最近n天的曝光和点击来作为样本数据，其中单品曝光但是用户未点击，则为负样本；单品曝光且用户进行点击行为，则为正样本。
准备好正负样本数据后，在进行模型训练的时候，我们会选择最近n天的用户行为数据来构造一些特征，比如说某用户最近n天点击某品牌单品的次数，点击某品类单品的次数等等；
这种方式看起来是没有问题的，实际上里面却存在着时间平移的问题。

比如说，某条样本数据，该样本数据来自于最近n天中的第1天，之后我们再去关联相关特征，但是实际上并不能保证关联的这些特征是通过最近n天的第1天的用户行为数据获得的，很大的可能性是最近n天的后几天的数据产生的特征；
也就导致了样本与特征的关联，是错误的。

正确的做法：第d天的样本，应该先找出第d-n天到第d天的数据，构造出相关特征，进行关联，得到第d天的完整的带有各种特征的样本数据 d0；
第d-1天的样本，应该找出第d-1-n到第d-1天的数据，构造出相关特征，进行关联，得到第d-1天的完整的带有各种特征的样本数据 d1；
同理....
最后将d0，d1，d2 等样本合并起来，才形成最终的样本数据。