九羽@煉丹筆記

在清洗數據構造正負樣本時，由于日志的延遲上報問題，在點擊事件的問題中構造樣本時，往往會出現將曝光未點擊數據誤以為是負樣本的情況，可真實的負樣本真的是這樣嗎？

在Facebook的《Embedding based Retrieval in Facebook Search》論文中，

在訓練練數據挖掘方面，Facebook基于召回指標驗證召回流程中不同正負樣本的選擇策略。

針對以用戶點擊為正樣本時的負樣本選擇：

• 從文檔池隨機選取作為負樣本，即easy case；
• 同一次會話中的曝光未點擊文檔作為負樣本，即hard case。

結果表明，曝光未點擊作為負樣本的召回率遠低于隨機負樣本，約55%的召回率退化。作者認為原因在于全部以hard case做負樣本的訓練數據和實際召回任務面對的數據分布不一致，實際索引中大多數是和用戶query差別很大的easy case。

針對正樣本的選擇策略：

• 用戶點擊為正樣本
• 曝光即為正樣本

實驗表明，用戶點擊和曝光分別作為正樣本的召回指標相差不多，添加曝光數據并不能增加額外價值，增大訓練數據規模也不能。

IJCAI20關于CVR預估標簽延遲的論文《An Attention-based Model for CVR with Delayed Feedback via Post-Click Calibration》，討論了搜索推薦系統中延遲反饋的的負樣本問題。

在推薦搜索的建模中，我們經常會使用D+1天的數據作為label,從1~D天的數據中的進行特征抽取等工作,和我們時間序列問題建模類似,但和很多其他的時間序列問題建模不一樣的地方在于,我們的label不一定可靠,比如在傳統的時間序列回歸中,D+1天的銷量是多少就是多少,我們沒有太多的猶豫,因為不大會有其他的情況。但是在電商的問題中,就存在下面這種情況：

D+1天未購買可能并不一定是真正意義上的未購買,而可能是加入購物車或者意愿清單了, 只是沒有在當天下單, 而是過了一天在D+2天的時候下了單, 而這樣的標簽如果我們直接默認其為負樣本就會有較大的問題,因為它并不是真正意義上的負樣本，只是反饋延遲了。

這在搜索推薦系統中,我們稱之為延遲反饋的問題。

本文的模型框架主要分為左右兩個模塊，左側的轉化模型以及右側的時間延遲模型。

1.左側轉化模型：

2.時間延遲模型

關系梳理

這個問題較早在2014文章《Modelling Delayed Feedback in Display Advertising》中被提出，當時神經網絡等還沒那么流行，但是解決的思路非常值得借鑒。在廣告推薦中，有一個指標價值是非常大的：

eCPM=CPA?P(conversion,click)=CPA?P(click)?P(conversion|click),

CPA: Cost per conversion, 廣告商愿意為每個轉化支付的金額， 如果eCPM高的話，意味著我們可能獲得更多的錢。

從上面這點可以看出，我們希望能很好地預估某個廣告的轉化概率（最終轉化即可，對應到下文P(C=1|X=x).

我們先定義五個變量，

問題轉化

曝光Bias：暴露偏差的發生是因為用戶只接觸到特定項目的一部分，因此未觀察到的交互并不總是代表消極偏好。

特殊地，用戶和商品之間未被觀察到的交互可以歸因于兩大原因：1）商品與用戶興趣不匹配；2）用戶不知道該商品。因此，在解釋未觀察到的相互作用時會產生歧義。無法區分真正的消極互動（如暴露但不感興趣）和潛在的積極互動（如未暴露）將導致嚴重的Bias。以前的研究已經調查了數據暴露的幾個方面：

1）暴露受先前推薦系統的策略的影響，這些策略控制要顯示哪些商品。

最近的一些工作也將這種“曝光偏差”(exposure bias)稱為“前一模式偏差”(previous mode bias)。

2） 因為用戶可以主動搜索和查找自己感興趣的商品,這樣會導致相關的商品更大概率的被曝光。在這種情況下,exposure bias也被稱作為是selection bias;

3）用戶的背景是商品曝光的另一個因素，例如社交朋友、他們所屬的社區和地理位置等;

4）流行的商品有更大的概率被曝光(popularity bias)。我們認為流行度bias也是Exposure Bias的一種。

曝光偏差會誤導模型的訓練和評估。

1. 評估的Debiasing

目前處理該問題的策略主要還是使用inverse propersity score。為了解決這個問題，類似于外顯反饋數據中的選擇偏差處理，Yang等人建議用隱式反饋數據傾向的倒數來加權每個觀測值。intuition是把經常觀察到的交互降權，而對少的樣本進行升權;

2. 模型訓練的Debiasing

為了解決曝光偏差的問題，傳統的策略就是將所有被觀測的交互作為負例并且明確它們的交互。confidence weight可以被分為三類：

1.Heuristic：典型的例子是加權的矩陣分解以及動態MF,未觀測到的交互被賦予較低的權重。還有很多工作則基于用戶的活躍度指定置信度等;但是賦予準確的置信權重是非常有挑戰的,所以這塊依然處理的不是非常好。

2.Sampling: 另一種解決曝光bias的方式就是采樣,經常采用的采樣策略有均勻的負采樣,對于流行的負樣本過采樣,但是這些策略卻較難捕捉到真實的負樣本。

3.Exposure-based model:另外一個策略是開發基于曝光的模型,這樣可以知道一個商品被曝光到某個用戶的可能性等。

4.Others:例如考慮用戶的序列行為等,對應的設計inverse propensity的模型等。

https://arxiv.org/pdf/2006.11632.pdf

https://zhuanlan.zhihu.com/p/222860582

https://www.zhihu.com/people/yuconan

推薦系統Bias大全

CVR預估之延遲反饋問題

你一直在使用錯誤的標簽,CVR預估時間延遲問題

更多干貨，請關注公眾號：煉丹筆記

總結

以上是生活随笔為你收集整理的负样本修正：既然数据是模型的上限，就不要破坏这个上限的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。