推荐广告召回阶段正负样本构建

1. 学习精排的序

为了保证推荐系统全链路的一致性，在召回阶段常常会学习精排的序，即把精排排在前面的item作为正样本，排在后面的item作为副样本，还可以补充一部分未来进精排的item作为easy负样本。

这里也可以采用point-wise和pair-wise两种建模方式，如果采用pair-wise建模，可以把排在前面的item label置为5，排在中间的item labell置为3，排在后面的item label置为1

 

2. inbatch采样

参考YouTube的这篇论文《Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendations》，一个batch内都是由正反馈的user-item组成，即只有正样本，可以把其它batch内其它user的正反馈样本作为当前user的负样本，但是这样采样可能会对热门item造成打压（因为热门item容易被采样为负样本），所以YouTube提出可以流式的估计每个item的采样频率，然后用这个频率去纠偏。YouTube在这篇论文中采用了softmax作为多分类来计算，也可以采用sigmoid作为二分类来计算

 

posted @   xd_xumaomao  阅读(248)  评论(0)  编辑  收藏  举报
相关博文：
· 《Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendations》论文阅读
· 对比学习《Self-supervised Learning for Large-scale Item Recommendations》
· 召回和粗排负样本构造问题
· 推荐系统--负样本采样--负样本采样偏差--Sample Selection Bias
· 关于推荐系统中召回模块建模采样方式的讨论
阅读排行：
· 被坑几百块钱后，我竟然真的恢复了删除的微信聊天记录！
· 没有Manus邀请码？试试免邀请码的MGX或者开源的OpenManus吧
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· Docker 太简单，K8s 太复杂？w7panel 让容器管理更轻松！
历史上的今天：
2020-06-06 linux 中的 exec 函数族
2020-06-06 linux中的fork函数
2020-06-06 linux进程相关命令
2020-06-06 linux网络配置相关命令
2020-06-06 linux用户相关命令
2020-06-06 linux磁盘管理相关命令
2020-06-06 linux文本查找相关命令
点击右上角即可分享
微信分享提示