生产环境中的推荐系统面临特征生命周期不对称的问题：新增特征必须在某些指标上带来提升，而删除特征则必须保证不导致任何指标回退。实际操作中，特征淘汰难以排优先级，因为特征可能与其他特征交互、重要性随天变化、在模型更新或数据漂移前无法评估、与其他 A/B 测试争夺实验空间、在在线实验中引发回归，或被多个下游模型共享，需要协同淘汀。
FORTE 是一个模型无关的生产框架，旨在发现、验证并安全移除特征。它通过高效的扰动实现每日特征评估，并采用分组消融（grouped ablation）对所有低秩特征的候选子集进行交互评估。离线评估结果能够可靠预测在线 A/B 测试，从而在进入线上前就能建立信心。系统还提供血缘追踪（lineage tracing），自动定位所有下游消费模型，确保特征移除带来的全部收益被捕获。
在两个大规模推荐系统上的实验表明，FORTE 能识别出不会导致在线回归的可淘汰特征集合。对搜索相关性模型而言，FORTE 生成了 3 组候选子集，分别包含 32、48、59 个特征。在线守护机制（guardrails）拒绝了最大子集，最终选定 48 特征子集进行淘汰，移除比例达 43.3%。在大型排序模型中，FORTE 找到 8 组可删除特征，重新训练并进行 A/B 测试后未出现回归。该模型的可训练参数减少 29.9%，服务吞吐提升 19.8%‑25.5%，年训练成本降低数十万美元。
点评：FORTE 通过每日扰动、分组消融和血缘追踪，实现了特征淘汰的高效、可靠和可解释，为工业级推荐系统的特征管理提供了可复制的最佳实践。