推荐系统学习笔记（十）多目标排序模型

用户-笔记的交互

对于每篇笔记，系统会记录：曝光次数/点击次数/点赞次数/收藏次数/转发次数

计算公式：

点击率 = 点击次数/曝光次数

点赞率 = 点赞次数/点击次数

收藏率 = 收藏次数/点击次数

转发率 = 转发次数/点击次数

排序模型融合这些预估分数做排序。

多目标模型

模型结构

场景特征包括用户所在的时间、地点等，比如候选物品在不同的城市、季节以及节假日影响，用户对其有完全不同的兴趣程度

这里的神经网络模型可以根据任务自行选择。

损失函数：

训练

困难：类别不平衡

例如，点击vs未点击，收藏vs未收藏。显然，负样本的数量要远远多于正样本。常见的解决方案是进行负样本降采样（down-sampling）：

1. 保留一小部分负样本，让正负样本数量平衡；
2. 减少了负样本数量，节约计算。

预估值校准

在模型输出各个指标预估值之后，需要先进行预估值校准，才能做后续的排序。主要原因在于：

举个例子：

设正样本、负样本数量为  和 。

真实点击率：（期望）

对负样本做降采样，抛弃一部分负样本。使用  个负样本， 是采样率。

预估点击率：(期望)

由于负样本变少，预测点击率大于真实点击率。

预估值校准就是希望通过函数调整预估值，使得其能与真实值一致，根据上述两个点击率的等式可得对点击率预估值的校准公式为

推导过程如下：