搜广推校招面经七十四

腾讯视频搜广推

一、召回中的正负样本定义

推荐系统中的召回阶段是从海量候选物品中快速筛出一部分“可能感兴趣”的物品，为排序阶段准备候选集。不同业务场景对正负样本的定义可能有差异，但是大差不差。

正样本 (Positive Samples)

用户真实点击、收藏、购买、点赞等行为对应的物品

• 具体场景：
  • 推荐系统：用户实际点击/购买的物品
  • 搜索系统：与查询真正相关的文档
  • 广告系统：用户实际点击的广告

负样本 (Negative Samples)

• 定义：在召回阶段未被识别但实际上不相关的物品/文档
  1. 显式负样本：
     • 用户明确拒绝的物品（如点"不感兴趣"）
     • 曝光但未点击的item（需注意曝光位置的影响）
  2. 隐式负样本：
     • 整个候选池中未被召回的物品
     • 随机采样的非相关物品（需注意采样偏差）

二、有曝光但无点击的样本，如何处理？

2.1. 样本性质分析

• 真负样本（确实不相关）
• 潜在正样本（曝光位置差/标题党等外部因素导致未点击）
• 中性样本（用户未注意但非不相关）

2.2. 常规处理方法

1. 直接作为负样本
   • 适用场景：曝光位置均匀/随机
   • 优势：简单易实现
   • 风险：引入噪声（可能误标潜在正样本）
2. 加权处理
   • 根据曝光位置设置权重：

     weight = 1 / (log(rank_position) + 1)
     

   • 曝光排名越靠后，负样本权重越低
3. 置信度筛选
   • 仅保留高置信度负样本：
     • 曝光时长>阈值（如5秒）
     • 同一Session内其他item有点击
     • 用户滑动越过未停留

2.3. 高级处理策略

1. 曝光偏差建模

   • 构建双塔模型：
     • 点击塔（CTR模型）
     • 曝光塔（处理选择偏差）
   • 参考论文：《Unbiased Learning from Selection-Biased Feedback》

2. 负采样增强

   • Hard Negative Mining：
     • 选择模型预测分较高的未点击样本
     • 混合easy negative和hard negative

3. 多任务学习

   # 同时学习点击率和相关性
   model.fit(
     tasks=["ctr_pred", "relevance_pred"],
     loss_weights=[0.3, 0.7]
   )
   
   

二、精排阶段的评价指标（Evaluation Metrics for Ranking）

2.1. 离线指标（Offline Metrics）

2.1.1. AUC（Area Under ROC Curve）

• 衡量正样本排在负样本前面的概率；

2.1.2. Precision@K（精确率）

• 推荐前 K 个结果中，真实点击的比例；

2.1.3. Recall@K（召回率）

• 推荐前 K 个结果中，覆盖了多少用户真实点击；

2.1.4. F1@K

• Precision@K 和 Recall@K 的调和平均；

2.1.5. NDCG@K（Normalized Discounted Cumulative Gain）

• 计算排序结果中正样本的位置信息加权得分；考虑位置重要性，点击排前面得分高；

三、如何缓解热门物品越来越热的问题（Popular Bias / Filter Bubble）

热门物品越来越热的问题，又称为“流行偏置（Popular Bias）”或“信息茧房（Filter Bubble）”，主要体现在推荐系统中少数热门物品反复被推荐，导致冷门物品曝光率低、用户兴趣多样性下降等问题。以下是打破“马太效应”（强者愈强）的循环的几种方法：

3.1. 多样性增强（Diversity Enhancement）

• 引入多样性指标作为优化目标：
  • 使用 Intra-list Diversity、Coverage、Entropy 等多样性指标参与模型训练或作为 reranking 阶段的目标。
• 结果重排序（Re-ranking）：
  • 在初步推荐结果中引入一定比例的冷门物品，对结果进行重新排序，使得推荐列表更加多样。

3.2. 曝光平衡（Exposure Balancing）

• 曝光正则化：
  • 在模型损失函数中加入对物品曝光均衡的正则项，防止热门物品过度推荐。
• 机会公平（Opportunity Fairness）：
  • 通过公平性机制（如 exposure parity）控制不同物品群体的推荐机会。

3.3. 冷启动策略（Cold-start Item Promotion）

• 冷门物品曝光策略：
  • 在推荐列表中人为插入冷门物品（例如基于内容推荐或协同过滤低频物品），提高其初始曝光机会。
• 基于探索的推荐策略（Exploration）：
  • 结合多臂赌博机（Multi-armed Bandit）、强化学习等方法，在探索与利用之间找到平衡，适当探索冷门物品。

3.4. 用户多样性建模（User-Centric Diversity）

• 多兴趣建模：
  • 对用户构建多个兴趣向量，从而推荐多样化的物品，减少对单一类别或热门物品的依赖。
• 用户探索倾向建模：
  • 考虑用户对新颖或冷门物品的兴趣倾向，因人而异地控制推荐的多样性。

3.5. 平衡评估指标

• 引入新颖性（Novelty）、意外性（Serendipity）等指标：
  • 除了传统的精确率/召回率外，在推荐系统评估中加入对冷门推荐效果的评估，鼓励系统推荐多样且新颖的内容。

四、136. 只出现一次的数字

• 思路：
  这是一道技巧题，如果知道异或，那这道题就很简单
  • 任何数和 0 做异或运算，结果仍然是原来的数，即 a⊕0=a。
  • 任何数和其自身做异或运算，结果是 0，即 a⊕a=0。
  • 异或运算满足交换律和结合律，即 a⊕b⊕a=b⊕a⊕a=b⊕(a⊕a)=b⊕0=b。
• 代码
  class Solution:
  def singleNumber(self, nums: List[int]) -> int:
  return reduce(xor, nums)