推荐系统（十三）样本采样

推荐系统在样本采样层面与广告系统的不同点

对于ctr任务中的正负样本不均衡问题，不管是推荐系统还是广告系统，都是需要降采样才能使模型学习的更好，但降采样带来的问题是资源的预测ctr会有一定的偏差，即如果降采样前训练正负样本比例为1:1000，预测正负样本的分布基本在1:1000左右，即每个资源平均的预测ctr在1/1001左右。假如降采样到正负样本比例为1:10，每个资源的平均预测ctr也会在1/11左右。但正常情况下不会影响资源的相对排序，因而不管如何降采样，预测结果的auc是不会变化的。

与推荐系统不同的是，广告系统需要对后续ctr进行矫正，这是因为广告系统比较重视item的ctr的绝对值，因为广告平台真正关注的是广告的CPM，计算公式如下所示：

$$CPM=CTR\ast CPC\ast 1000$$

其中CPM指的是Cost Per Mille，曝光一千次收取的费用，CTR指的是点击率，CPC指的是一次点击的费用，根据上面的描述，降采样后资源预测的ctr会偏高，从而导致CPM会偏高，因而需要对预测的ctr进行矫正，这里只列举简单的基于LR模型的矫正方法：

$$ctr=\sigma (z)\to ct{r}^{\prime }=\sigma (z-\frac{r^{\prime }}{r})$$

其中$z$代表的是输入到sigmoid之前的数据，$r^{\prime }$代表的是降采样后正样本的比例，$r$代表的是降采样前正样本的比例，可以看出矫正后，$ct{r}^{\prime }$要比$ctr$低。

参考

1. ctr矫正