召回和排序的样本构造问题
简单介绍一下搜广推系统中的正负样本构造问题。
精排
- 正样本：曝光点击
- 负样本：曝光未点击
粗排
- 正样本：曝光点击
- 负样本：如果只复用精排的负样本，粗排模型对精排模型的拟合就会出现比较大的偏差。因为粗排打分高的item可能会被精排打低分，导致不能下发曝光。而精排的正负样本量很少，粗排只见到了精排的样本，对于自己打分高的item，并不知道其正负属性，在下一次打分中，可能仍然会对其打高分。因此除了精排的负样本，仍然需要从精排未下发的item中负采样一部分，作为粗排的负样本。
召回
- 正样本：曝光点击
- 负样本：曝光未点击+全库随机负采样。召回线上面临的环境，是从全库良莠不齐的物料中找到用户可能感兴趣的item，而如果只拿曝光未点击做负样本训练会导致样本选择偏差。全库随机负采样可以模拟线上这一分布，大部分物料是跟用户打不着的。具体的采样策略可以见：拿随机采样做负样本