推薦系統(tǒng)負(fù)采樣作為推薦模型訓(xùn)練的重要一環(huán)，對模型的訓(xùn)練效果有著重要影響，也是推薦系統(tǒng)領(lǐng)域的一個(gè)重要研究分支。本文將從研究背景到現(xiàn)有的經(jīng)典工作對推薦系統(tǒng)負(fù)采樣進(jìn)行一個(gè)概括性的介紹。為了降低本文的閱讀門檻，讓更多“科研小白”也可以理解文章內(nèi)容，筆者將盡可能使用通俗的語言來代替論文公式對算法進(jìn)行描述，希望可以讓讀者對推薦系統(tǒng)負(fù)采樣有一個(gè)基本的了解。 

1. 研究背景

推薦系統(tǒng)的目的在于根據(jù)用戶的興趣愛好向用戶進(jìn)行個(gè)性化推薦，以提升用戶在網(wǎng)上購物，新聞閱讀，影音娛樂等場景下的體驗(yàn)。在推薦場景中，推薦模型主要依賴用戶的歷史反饋信息來建模用戶的興趣。一般來說，在模型訓(xùn)練過程中，我們需要同時(shí)提供正例（用戶喜歡的商品）和負(fù)例（用戶不喜歡的商品）給模型，然后基于損失函數(shù)來學(xué)習(xí)用戶和商品的表示，最終完成模型的訓(xùn)練。但在實(shí)際推薦場景中，考慮到數(shù)據(jù)收集的難度，我們很難獲取用戶的顯式反饋信息（例如用戶對商品的評分）來確切知道用戶喜歡哪些商品，不喜歡哪些商品，絕大部分的數(shù)據(jù)都是用戶的隱式反饋信息（例如用戶消費(fèi)過的商品記錄）。

對于隱式反饋來說，數(shù)據(jù)沒有明確的標(biāo)簽，為了進(jìn)行模型訓(xùn)練，我們一般假設(shè)用戶交互過的商品都是正例，并通過采樣的方式，從用戶未交互過的商品集中選擇一部分作為負(fù)例。從用戶未交互商品集中基于一定策略進(jìn)行負(fù)例選擇的這一過程，就被稱為負(fù)采樣（Negative Sampling）

總結(jié)

以上是生活随笔為你收集整理的人工智能AI实战100讲（十）-一文读懂推荐系统负采样的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。