推荐系统中保序回归校准方案

校准目标是：使用户行为的预估值尽可能逼近真实概率值，众所周知，在推荐系统中，很多情况下，我们的点击率通常会被错误的估计(通常会被高估)，所以需要进行校准。

一、保序回归

保序：只影响CTR的绝对值，但不影响多条数据CTR之间的相对大小，即不影响商品最终的排序结果
分桶：将所有数据按模型输出的预估值（pCTR）进行分桶，对桶内数据的label（0/1值）求平均，作为近似的真实CTR
回归：通过分段线性回归将pCTR映射到CTR上

二、校准评价指标

1、predict click over click(PCOC)

PCOC指标是校准之后的点击率与后验点击率（近似真实概率）的比值，越接近于1，意味着在绝对值上越准确，大于1为高估，小于1为低估，是一种常用的高低估评价指标。

2、calibration-N(cal-N)

cal-N将样本集合按照自定义规则划分出多个簇分别计算PCOC，并计算与1的偏差作为标准误差。举个例子，将pctr根据值大小划分为多个桶，每个桶为一个簇，计算每个簇的PCOC及其与1的偏差 数学公式:

参考：https://zhuanlan.zhihu.com/p/460061332