（4）工业界推荐系统-小红书推荐场景及内部实践【正负样本选择】

系列文章传送门

（1）工业界推荐系统-小红书推荐场景及内部实践【业务指标、链路、ItemCF】
（2）工业界推荐系统-小红书推荐场景及内部实践【UserCF、离线特征处理】
（3）工业界推荐系统-小红书推荐场景及内部实践【矩阵补充、双塔模型】
（4）工业界推荐系统-小红书推荐场景及内部实践【正负样本选择】
（5）工业界推荐系统-小红书推荐场景及内部实践【线上召回和模型更新】
（6）工业界推荐系统-小红书推荐场景及内部实践【其他召回通道】

该系列文章根据小红书搜推算法工程师、团队负责人王树森B站上主讲的《工业界的推荐系统》之小红书业务场景及内部实践整理而得。感谢大佬分享工业界前沿的推荐系统实战技术！

双塔模型：正负样本

正样本

正样本：曝光而且有点击的用户—物品二元组。 (用户对物品感兴趣)。
问题：少部分物品占据大部分点击，导致正样本大多是热门物品。
解决方案：过采样冷门物品，或降采样热门物品。

1. 过采样(up-sampling)：一个样本出现多次。
2. 降采样(down-sampling)：一些样本被抛弃。

如何选择负样本？

简单负样本

1. 全体物品

• 未被召回的物品，大概率是用户不感兴趣的。
• 未被召回的物品 ≈ 全体物品
• 从全体物品中做抽样，作为负样本。
• 均匀抽样 or 非均匀抽样?
  
  2. Batch内负样本
  
  

这里 $-log{p}_i$ 相当于物品的先验，模型实际上非常容易拟合先验的，所以要debias掉。

困难负样本

• 困难负样本:
  • 被粗排淘汰的物品(比较困难)。
  • 精排分数靠后的物品(非常困难)。
• 对正负样本做二元分类:
  • 全体物品(简单)分类准确率高。
  • 被粗排淘汰的物品(比较困难)容易分错。
  • 精排分数靠后的物品(非常困难)更容易分错。

实践中，通常混合几种负样本使用，如：

• 50%的负样本是全体物品(简单负样本)。
• 50%的负样本是没通过排序的物品(困难负样本)。

常见的错误

常见误区：曝光但是未点击的物品被当作召回的负样本。

选择负样本的原理

召回的目标：快速找到用户可能感兴趣的物品。