复盘：推荐系统—— 负采样策略

提示：系列被面试官问的问题，我自己当时不会，所以下来自己复盘一下，认真学习和总结，以应对未来更多的可能性

关于互联网大厂的笔试面试，都是需要细心准备的
（1）自己的科研经历，科研内容，学习的相关领域知识，要熟悉熟透了
（2）自己的实习经历，做了什么内容，学习的领域知识，要熟悉熟透了
（3）除了科研，实习之外，平时自己关注的前沿知识，也不要落下，仔细了解，面试官很在乎你是否喜欢追进新科技，跟进创新概念和技术
（4）准备数据结构与算法，有笔试的大厂，第一关就是手撕代码做算法题
面试中，实际上，你准备数据结构与算法时以备不时之需，有足够的信心面对面试官可能问的算法题，很多情况下你的科研经历和实习经历足够跟面试官聊了，就不需要考你算法了。但很多大厂就会面试问你算法题，因此不论为了笔试面试，数据结构与算法必须熟悉熟透了
秋招提前批好多大厂不考笔试，直接面试，能否免笔试去面试，那就看你简历实力有多强了。

---

文章目录

• 复盘：推荐系统—— 负采样策略
• • @[TOC](文章目录)
• 什么是负采样？为什么要进行负采样？
• 负样本的分类？
• • 1、从采样方法的角度来划分，有以下几种方法：基于启发式的算法，基于模型的算法；
  • • 基于启发式的算法有：
    • 基于模型的算法有：
  • 2、从采样效率的角度来看，有以下几种方法：inbatch采样、uniform采样、MNS采样、CBNS采样；
  • 3、从推荐流程的角度来看，分为召回阶段的负采样方法，和排序阶段中的负采样方法。
• 总结

什么是负采样？为什么要进行负采样？

负采样，顾名思义，就是从一堆负样本中采样出一部分负样本，用于模型的训练。

之所以不采用所有的负样本，主要是为了降低模型的训练复杂度。

在负采样过程中，有几个问题需要重点考虑：
（1）这么多负样本中，到底需要采出哪一部分负样本呢，需要采出多少才合适呢？
换句话说就是，如何保证负样本的质量？

（2）还有考虑采样效率问题，比如需要采出多大数量的负样本？

在推荐系统中，用户喜欢的物品我们认为是正样本，
用户不喜欢物品我们认为是负样本。

而一般情况下，我们很难收集到负样本，且正样本占整个样本集又很少，
所以为了更好地训练模型，我们需要进行负采样，
而且从中采出一部分负例来协助模型的学习，提高模型的性能。

需要注意的是，在推荐系统中，还有一个概念叫伪负样本。
我们一般假设与用户交互过的物品属于正样本，未交互过的都是负样本。

但是这个假设还是比较强的，用户未购买过的物品并不一定是不喜欢的，
也有可能是因为用户没看到，或者是用户在未来会发生交互。
这类样本我们称为伪负样本。

因此，就有对应的问题需要考虑，如何避免、减少这些伪负样本的影响呢？

在Word2Vec中，也有负采样的操作。

在预测单词时，理论上需要对全部单词进行预测，然后取预测值最大的单词。

但是全部单词的数量太多了，计算复杂度太高了，
所以为了降低复杂度，从全部单词中进行采样（这个过程叫负采样），
采出部分单词和目标单词，让模型从中取出预测值最大的单词就行。

---

负样本的分类？

1、从采样方法的角度来划分，有以下几种方法：基于启发式的算法，基于模型的算法；

基于启发式的算法有：

（1）曝光未点击的样本，当做负样本；

数量建议：按照1：X的比例选择负样本，X可根据数量适当决定，一般建议4、5比较合适。

（2）随机负采样：以用户A来说，从全部样本中，除去与A发生交过的物品外，随机选择物品，作为负样本；

（3）基于流行度的负采样：流行度越高的物品，被当做负样本的概率就越大。
其背后的想法是，越流行的物品，越容易被推荐给用户，
但尽管产品如此流行，用户还仍然没有与它发生交互，
那么用户有更大的概率不喜欢该物品；

（4）基于业务限制理解的生成hard样本，
例如Airbnb在《Real-time Personalization using Embeddings for Search Ranking at Airbnb》一文中的做法，
将与正样本同城的房间当做负样本，将“被房主拒绝”当做负样本；

（5）利用前一轮的模型来选择hard样本，例如把那些排名靠后的样本作为负样本，拿召回位置在101 ~ 500的物品。

基于模型的算法有：

（1）动态采样法：在模型训练过程中，利用上一轮对样本进行评分，
通过评分来修改负样本的采样概率，评分越高，被采样的概率越大。

背后的思想是，对于那些负样本，如果模型给出了更高的评分，
那说明模型认为用户可能会与该物品发生交互，
但实际情况却是用户没有与该物品发生交互，
那么这个物品有更大的概率成为负样本。
但是这有个问题，就是伪负样本的问题；

（2）基于GAN：可参考https://zhuanlan.zhihu.com/p/387378387，但是通过博客和一些评论，貌似在业界实践中，该方法不怎么work [3]；

（3）SRNS：作者通过观察到的统计学特征作为先验知识，来协助负样本的采样，更好地区分伪负样本和强负样本。

2、从采样效率的角度来看，有以下几种方法：inbatch采样、uniform采样、MNS采样、CBNS采样；

（1）**inbatch采样：**即在模型训练过程中，对于batch中每一个用户，
将batch中的其他用户交互的物品，当做是该用户的负样本，
这样做可以提高模型训练的速度。

但是这种方法有问题，因为会有sample selection bias问题（简称SSB）

（2）**uniform采样：**即模型在训练之前，先给每个用户按照一定的方法（随机负采样、基于流行度负采样等）采出一定量的负样本，然后再继续模型训练。

（3）MNS采样（Mixed Negative Sampling）：即简单粗暴地讲上述的inbatch采样和uniform采样进行融合

（4）CBNS采样（Cross-Batch Negative Sampling）[6]：其背后思想也是利用inbatch中的信息和cross batch中的信息，利用前后的batch中的信息来缓解SSB问题。

3、从推荐流程的角度来看，分为召回阶段的负采样方法，和排序阶段中的负采样方法。

推荐流程可以简单划分为召回 ->粗排 ->精排，不同阶段使用的负采样方法不太一样，也就是说学问不一样。
在排序阶段中，可以使用“曝光未点击”作为负样本，但在召回阶段，这种做法效果不佳。

这具体是什么原因呢？在博客https://www.jianshu.com/p/2f64f49e43cd中提到，提到了以下4个解释：

（1）排序算法是优中选优，曝光未点击天生就是负样本，召回算法面对的候选样本太多，鱼龙混杂，更需要具备在更大的数据集中增加自己的“见识”，也就是更需要见见那些曝光没那么高的样本

（2）曝光未点击的样本已经是经过召回，排序选出来的系统认为的用户喜欢的物品，也就是说这些样本已经是上一个版本召回模型选出来正样本了，如果我们把这些样本当作新召回模型的负样本，就有矛盾了

（3）如果选择曝光未点击的样本作为负样本，那么召回模型就会陷入“一叶障目，不见泰山”的困境，也就是说模型只会鉴别那些高曝光的样本了，对于那些没出现过，少出现的样本，它根本区分不出来这是正样本还是负样本

（4）最重要的还是因为实验中，这么做的话效果很差

那问题来了，召回阶段，我们该怎么做的？
最简单的做法是随机负采样，
或者是将前一轮召回模型中排名靠后的样本当做是负样本，
或者根据业务逻辑来产生hard负样本等等。

---

总结

提示：重要经验：

1）最常规的还是曝光未点击作为负样本：1：x=4，5的比例采样
2）然后就是未点击的所有样本随机采样
3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。