想象你是美食杂志的数据分析师。杂志社有几百位美食评论家，他们品鉴过城市里不计其数的餐厅，但显然没人能尝遍所有店。编辑想知道：如果让某位只吃过二十家店的评论家去一家他从未去过的新餐厅，他会打几分？直接数「共同吃过的餐厅」太粗浅——评论家之间的交集少得可怜。这时你灵机一动：虽然每个人的口味千差万别，但本质都可以拆成几个「口味维度」——辣度偏好、甜口喜爱、分量要求、环境讲究、性价比敏感。每家人在这几个维度上有各自的偏好分数（用户向量），每家餐厅在这几个维度上也有自己的表现分数（物品向量），两者一相乘，就是个性的化预测。这个思路就是隐语义模型（Latent Factor Model，LFM）。 但新问题冒出来了：评论家们只留下「去过哪些店」的记录（正样本），却没有「明确说讨厌哪些店」的信息。那些没去过的店成百上千，我们该挑哪些当「他不喜欢」的样板（负样本）来训练？随机挑？专挑热门店？还是专挑那些看起来很像他会喜欢的店？这就是负采样（Negative Sampling）要解决的难题。本文将通过这个故事，带你逐步理解 LFM 的原理、负采样的三种策略、比例把控与训练实践。

岗位关联

掌握 LFM 与负采样，是进入工业级推荐系统的重要台阶。无论是电商、短视频还是信息流产品，隐语义模型都是召回阶段最常用的算法之一，而负采样的质量直接决定模型效果。学会它，你就理解了推荐算法工程师日常工作中最核心的一块拼图。

目录
  1. 可视化演示
  2. 协同过滤瓶颈
  3. LFM核心原理
  4. 负采样策略
  5. 正负样本比例
  6. 采样实践指南
  7. 模型优化训练
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示矩阵分解R≈PQ^T的因子学习、三种负采样策略对比及隐因子空间中用户-物品匹配关系。

本节配有交互动效（进入视口后自动加载，约 3KB）。

矩阵分解 稀疏矩阵R分解为P·Q^T 内积预测r_hat=p_u·q_i min Σ(r_ui - p_u·q_i)^2 + λ(|p_u|^2+|q_i|^2) 通过SGD学习用户和物品的隐因子向量

协同过滤瓶颈

美食杂志的编辑们最开始的推荐办法是「找风格相近的餐厅」。怎么判断两家餐厅风格相近？看看它们是不是常被同一群评论家光顾。如果评论家 A 喜欢川菜馆 X，而 X 和 Y 经常出现在同一拨人的打卡记录里，那 Y 大概也合 A 的口味。这个思路正是基于物品的协同过滤（ItemCF）——用「共同被喜欢」来度量物品相似度，再由相似物品的偏好外推到用户身上。

但现实很快给了编辑们一闷棍。城市里有上千家餐厅，每位评论家平均只吃过 30 家，两家餐厅共同出现的次数常常是 0。数据稀疏得像是被晒裂的旱地，到处是窟窿。很多餐厅明明风格类似，却因为没有任何「共现记录」而被判定为「毫无关系」。ItemCF 一族的方法都依赖物品间的共现信息——把用户对物品的交互看成集合，物品 i 和 j 的相似度常写成余弦形式的集合公式：

与其纠结「谁和谁一起被吃过」，不如换一种问法：这家餐厅在「麻辣、甜口、分量、环境、性价比」这几条口味轴线上各得几分？那位评论家又更看重哪些轴线？把两者对齐相乘，就能得到预测分——这正是 LFM 的起点。

sim(i,j)=∣N(i)∩N(j)∣∣N(i)∣⋅∣N(j)∣sim(i,j) = \frac{|N(i) \cap N(j)|}{\sqrt{|N(i)| \cdot |N(j)|}}
这个公式用「共同交互用户数」除以「各自流行度的几何平均」，衡量两个物品有多常被同一拨人喜欢。
  1. 交集计数分子 $|N(i) \cap N(j)|$ 统计同时与物品 i、j 交互过的用户数，是「共现」的直接证据，类似两家餐厅被同一群评论家都光顾过的次数。
    ∣N(i)∩N(j)∣|N(i) \cap N(j)|
  2. 分母归一$\sqrt{|N(i)| \cdot |N(j)|}$ 将交集除以两个物品各自流行度的几何平均，避免热门餐厅因为「见过的人多」就在相似度上虚高。
    ∣N(i)∣⋅∣N(j)∣\sqrt{|N(i)| \cdot |N(j)|}
  3. 稀疏断层当交集为 0 时相似度直接为 0。真实推荐系统中用户-物品交互矩阵的稀疏度普遍超过 99%，大量长尾物品没有任何共现，协同过滤就此失效。
    ∣N(i)∩N(j)∣=0⇒sim(i,j)=0|N(i) \cap N(j)| = 0 \Rightarrow sim(i,j) = 0

LFM核心原理

假设编辑们决定用 5 条口味轴线来刻画所有餐厅：麻辣接受度、甜口喜爱、分量讲究、环境格调、性价比敏感。每家餐厅在这些轴线上都有自己的表现分（比如这家店麻辣度 9 分、甜口 3 分），每位评论家也有自己的偏好强度（比如小王无辣不欢，麻辣偏好 9 分、甜口 2 分）。当两者「对上眼」，预测评分就是各轴线分相乘再求和。

这套「口味轴线」在算法里叫隐因子（Latent Factor）。说它「隐」，是因为我们不需要人工定义轴线的具体含义——LFM 直接从行为数据中反推轴线。就像我们不必逐一追问评论家「你有多爱吃辣」，只要看他的打分记录，就能自动还原出他在每个隐因子上的位置。形式化地说，LFM 把用户-物品交互矩阵分解成两个低维矩阵的乘积：R ≈ P Qᵀ。P 的每一行是用户 u 的 K 维隐向量 p_u，Q 的每一行是物品 i 的 K 维隐向量 q_i，预测分就是两者的点积：

就像编辑不需要真的设计「什么是麻辣接受度」，算法自动从几千条评论记录里还原出这条轴线上每个人的位置。K 取几十到几百，矩阵被压进一个紧凑的隐空间，这正是 LFM 应对稀疏数据的底气。

r^ui=pu⋅qiT=∑k=1Kpukqik\hat{r}_{ui} = \mathbf{p}_u \cdot \mathbf{q}_i^{T} = \sum_{k=1}^{K} p_{uk} q_{ik}
预测评分 = 用户偏好向量与物品属性向量的点积，把每条口味轴线上的偏好×表现累加在一起。
  1. 用户隐向量$\mathbf{p}_u = (p_{u1}, p_{u2}, \dots, p_{uK})$ 表示用户 u 在 K 个隐因子上的偏好强度，相当于评论家的口味画像。
    pu=(pu1,pu2,…,puK)\mathbf{p}_u = (p_{u1}, p_{u2}, \dots, p_{uK})
  2. 物品隐向量$\mathbf{q}_i = (q_{i1}, q_{i2}, \dots, q_{iK})$ 表示物品 i 在 K 个隐因子上的属性表现，相当于餐厅在各口味轴线上的得分。
    qi=(qi1,qi2,…,qiK)\mathbf{q}_i = (q_{i1}, q_{i2}, \dots, q_{iK})
  3. 逐维相乘$p_{uk} q_{ik}$ 把用户在维度 k 的偏好与物品在维度 k 的表现对齐相乘，某一条轴线上「偏好 × 表现」越高，贡献越大。
    pukqikp_{uk} q_{ik}
  4. 累加求和$\sum_{k=1}^{K}$ 把所有维度的乘积加总得到最终预测分。原始交互矩阵需要存 U×I 个位置，LFM 只需存 U×K + I×K 个参数——高维稀疏交互被压缩成低维稠密表示。
    ∑k=1Kpukqik\sum_{k=1}^{K} p_{uk} q_{ik}

负采样策略

现在新难题出现了。评论家们留下的都是「去过哪些店」的正样本，可 LFM 训练需要同时知道「哪些是负样本」。没去过的店有上千家，但「没去」不等于「不喜欢」——可能是没听说过、离家太远，或者只是还没来得及去。如果只拿正样本训练，模型会发现最省力的解是「对所有物品都打高分」，就像学生只背正确答案，考场上永远选「对」。所以必须挑一些「没去过的店」当负样本，逼模型学会区分。

怎么挑？三种主流策略各有利弊。随机采样从没去过的店里均匀抽取，实现最简单，但可能抽到「其实评论家也喜欢、只是还没去」的店，引入噪音，适合冷启动阶段快速跑通基线。热度采样优先抽那些「全城很多人都去过、唯独他没去」的餐厅——如果一家店所有人都打卡了他却从没去过，那大概率是真不喜欢而不是不知道。Word2Vec 的负采样思路正是如此：按热度加权，再用 0.75 次方做软压缩：

第三种难例挖掘（Hard Negative Mining）更聪明：训练中途用当前模型给所有没去过的店打分，把「模型以为他会喜欢、但他没去」的店挑出来当负样本。这就像考试时专挑错题集里的题反复练——模型越容易混淆的样本，学习价值越大。选择哪种策略，要看业务里「没交互」为什么发生：信息流场景「曝光未点击」是天然的高置信负样本；曝光不足的冷启动场景，则要谨慎混合多种策略。

P(i)=f(i)0.75∑j∈If(j)0.75P(i) = \frac{f(i)^{0.75}}{\sum_{j \in I} f(j)^{0.75}}
物品被采为负样本的概率与它的热度 0.75 次方成正比，热门物品更容易被选中，但不会垄断采样。
  1. 物品热度$f(i)$ 表示物品 i 的交互次数（餐厅被光顾的次数），热度越高的物品曝光越充分，「有曝光却没交互」的置信度越高。
    f(i)f(i)
  2. 软压缩指数$f(i)^{0.75}$ 对热度做次方压缩。取 0.75 是为了让热门物品的概率不至于过高，冷门物品也保有被采到的机会。
    f(i)0.75f(i)^{0.75}
  3. 归一化分母$\sum_{j \in I} f(j)^{0.75}$ 把所有候选物品的加权值求和，保证每个物品的采样概率在 0 到 1 之间且总和为 1，构成合法的概率分布。
    ∑j∈If(j)0.75\sum_{j \in I} f(j)^{0.75}

正负样本比例

训练 LFM 就像做一道菜：正样本是主菜，负样本是调味。盐太少菜没味，调料太多菜齁得慌。正负样本的比例，直接决定这桌菜能不能端上桌。隐式反馈场景下，正样本通常远少于候选负样本——如果比例太小（如 1:50），模型看到的海量负样本会把正样本信号稀释，训练迟迟不收敛；如果比例太大（如 10:1），负样本不足，模型对「不喜欢」的约束太弱，容易给所有物品都打高分。

业界经验是正负比 1:1 到 1:10 是常用区间，短视频场景常用 1:4 到 1:8。除了直接控制采样数量，还可以在损失函数里给负样本加一个权重 α，对负样本的误差做软缩放：

值得强调的是，比例和 α 是一对「双旋钮」：调大负样本数量的同时调小 α，可以稳定训练；反之减少负样本数量时可以把 α 适当调大。主菜和调料的比例，需要厨师（算法工程师）根据模型在验证集上的表现动态调整，而不是抄一个固定配方就走。

L=∑(u,i)∈D+eui2+α∑(u,i)∈D−eui2,eui=rui−r^uiL = \sum_{(u,i) \in D^{+}} e_{ui}^{2} + \alpha \sum_{(u,i) \in D^{-}} e_{ui}^{2}, \quad e_{ui} = r_{ui} - \hat{r}_{ui}
总损失 = 正样本误差平方和 + 负样本误差平方和加权，权重 α 控制负样本在训练中的话语权。
  1. 正样本集合$D^{+}$ 是观测到交互的（用户，物品）对，即评论家真正去过的餐厅，主菜部分。
    D+D^{+}
  2. 预测误差$e_{ui} = r_{ui} - \hat{r}_{ui}$，真实交互值（1 或 0）与模型预测分的差，误差大说明模型在该样本上判断失准。
    eui=rui−r^uie_{ui} = r_{ui} - \hat{r}_{ui}
  3. 负样本权重$\alpha$ 通常取 0.1 到 1.0，α 越小负样本对总损失的贡献越弱，训练越偏重正样本信号；α 越大模型越 aggressively 学习「不喜欢」的边界。
    α\alpha

采样实践指南

好的厨师不会照本宣科，而是根据食材状态动态调整火候。负采样也一样，工业界落地时有一组经验性「手感」——热度加权的 0.75 指数来自身经百战的调参智慧。指数取 1.0 时热门物品垄断采样，模型几乎只学「热门不爱」而忽略长尾；取 0 时退化为均匀随机采样，冷门物品的噪音被放大。实际业务里可在 0.5 到 0.85 之间做小范围网格搜索。

训练过程中负样本的配置也应当是动态的。训练早期，模型还很「无知」，大量热度采样能快速建立基础判别力；训练后期，模型已经能分清大部分易分样本，此时应减少负样本数量或逐步衰减负样本权重，让模型从「大量学习边界」过渡到「精调」。工业界主流的混合策略是热度采样为主、难例挖掘为辅，例如 80% 负样本来自热度采样、20% 来自难例挖掘：

工程上还有两个常用技巧：热度采样的概率分布变化慢，可以预先算好缓存起来；难例挖掘的模型分数变化快，需要每隔 N 个 batch 重算一次。另外推荐用「曝光未点击」作为负样本来源，比全局未交互干净得多——这相当于只从「评论家确实看到过却没进去」的店里选，噪音小一大截。

Pmix(i)=β⋅f(i)0.75∑jf(j)0.75+(1−β)⋅Phard(i)P_{mix}(i) = \beta \cdot \frac{f(i)^{0.75}}{\sum_{j} f(j)^{0.75}} + (1 - \beta) \cdot P_{hard}(i)
混合采样概率 = 热度采样概率与难例挖掘概率的加权和，β 控制两者的配比。
  1. 热度基座$\beta \cdot \frac{f(i)^{0.75}}{\sum_{j} f(j)^{0.75}}$ 用热度采样保证基础覆盖，参数 β 控制「普遍性」的权重。
    β⋅f(i)0.75∑jf(j)0.75\beta \cdot \frac{f(i)^{0.75}}{\sum_{j} f(j)^{0.75}}
  2. 难例增量$(1 - \beta) \cdot P_{hard}(i)$ 用难例挖掘补充边界信息，把模型当前最易混淆的样本混进训练。
    (1−β)⋅Phard(i)(1 - \beta) \cdot P_{hard}(i)
  3. 典型配比β 通常取 0.7 到 0.9，即 70% 到 90% 的负样本来自热度采样，其余来自难例挖掘。热度采样保证收敛稳定，难例挖掘提升判别锐度。
    β≈0.8\beta \approx 0.8

模型优化训练

现在参数有了、损失有了，该怎么调？用随机梯度下降（SGD）——每次拿一个「评论家-餐厅」对，算出预测误差，然后轻轻推动用户向量和物品向量向误差减小的方向走一小步。步子的大小叫学习率，推的时候还要稍微往回拽一点（正则化），防止参数乱飞。LFM 的损失函数是平方误差加 L2 正则，SGD 的更新规则如下：

SGD 按样本逐条更新，天然适合流式数据。训练时每个 epoch 遍历一遍用户及其采样出的正负样本，交替刷新 P 和 Q 两个矩阵，直到验证集上的评估指标（如 AUC、Hit@K）不再提升即提前终止。就像评论家不断去新餐厅试菜、微调自己的口味认知——最终，每个人和每家店都在隐空间里找到了自己的坐标，推荐也就水到渠成。

pu←pu+η(euiqi−λpu),qi←qi+η(euipu−λqi)p_u \leftarrow p_u + \eta \left( e_{ui} q_i - \lambda p_u \right), \quad q_i \leftarrow q_i + \eta \left( e_{ui} p_u - \lambda q_i \right)
每看到一个样本，就把用户向量和物品向量沿误差减小的方向微调一步，同时用正则项把参数往 0 的方向轻轻拉回。
  1. 预测误差$e_{ui} = r_{ui} - \hat{r}_{ui}$，真实交互值与预测分的差，驱动的方向来源。
    eui=rui−r^uie_{ui} = r_{ui} - \hat{r}_{ui}
  2. 梯度方向$e_{ui} q_i$ 和 $e_{ui} p_u$ 分别给出用户向量、物品向量应移动的方向——误差乘以对方向量，相当于把「对方的特征」按误差大小搬到自己身上。
    euiqi,euipue_{ui} q_i, \quad e_{ui} p_u
  3. 学习率$\eta$ 控制移动步长。太大导致震荡无法收敛，太小收敛缓慢，常用 0.001 到 0.05 之间。
    η\eta
  4. 正则化回拽$-\lambda p_u$ 和 $-\lambda q_i$ 将参数向 0 微缩，防止模型在训练集上过度拟合，λ 常用 0.001 到 0.1。
    −λpu,−λqi- \lambda p_u, \quad - \lambda q_i

AI 应用场景

短视频推荐召回

阶段：召回阶段（模型训练 → 向量召回）

解决的问题：短视频场景只有「播放/未播放」的隐式信号，没有显式评分。LFM 把用户和视频映射到同一隐因子空间，用内积计算相关性做向量召回。负样本从「曝光但未被点击/播放时长过短」的日志中采样，代替全局随机采样，大幅降低「没看到 ≠ 不喜欢」的噪音。

具体案例：某资讯类 App 在召回阶段用 LFM + 热度采样负样本（正负比 1:5）替代 ItemCF 后，Hit@100 提升 11%，长尾视频曝光量显著上升。难例挖掘被用于每周一次的全量重算，进一步优化了用户兴趣边界。

电商「猜你喜欢」混合采样

阶段：召回/粗排阶段的离线训练

解决的问题：电商场景正样本是「点击/加购/购买」，负样本若全用热度采样会让模型对「高曝光低点击」的商品过度惩罚；若全用难例挖掘则训练不稳定。用 80% 热度 + 20% 难例的混合策略，兼顾收敛速度与判别精度。

具体案例：某电商平台的「猜你喜欢」频道，把负样本池改为「曝光未点击 + 部分加购未购买」，并配比 α=0.3 的负样本权重，下单转化率提升约 6%，同时训练 epoch 数降低了 1/3。

招聘平台职位推荐

阶段：召回模型离线训练与线上 A/B 验证

解决的问题：求职者对职位的反馈高度稀疏，投递行为极少。LFM 将求职者与职位映射到技能需求、薪资期望、行业偏好等隐因子空间；负样本从「展示了职位但未点击投递」中采样，并用难例挖掘强化「看起来匹配但实际不投」的边界。

具体案例：某招聘平台用 LFM + 曝光未点击负样本替换规则匹配后，投递转化率提升 9%。负采样比例从 1:1 到 1:8 做了网格搜索，最终选定 1:4 配合 α=0.5。

Python 演示

python91 行
import numpy as np  def make_data(users=200, items=100, k=5, seed=42):    """构造隐式反馈矩阵与物品热度：真实隐因子内积生成评分，取高分为交互"""    rng = np.random.default_rng(seed)    P = rng.normal(size=(users, k))    Q = rng.normal(size=(items, k))    score = P @ Q.T    inter = (score > np.percentile(score, 90)).astype(float)    item_pop = inter.sum(axis=0)    return inter, item_pop  class LFMTrainer:    """隐语义模型：矩阵分解 + 负采样 SGD 训练"""     def __init__(self, k=8, lr=0.02, reg=0.01, epochs=3, neg_alpha=1.0):        self.k = k        self.lr = lr        self.reg = reg        self.epochs = epochs        self.neg_alpha = neg_alpha        self.user_vec = None        self.item_vec = None     def fit(self, train, item_pop, negs=4, strategy="random", seed=0):        users, items = train.shape        rng = np.random.default_rng(seed)        self.user_vec = rng.normal(scale=0.1, size=(users, self.k))        self.item_vec = rng.normal(scale=0.1, size=(items, self.k))        for _ in range(self.epochs):            for u in range(users):                pos_idx = np.where(train[u] == 1)[0]                if pos_idx.size == 0:                    continue                neg_pool = np.where(train[u] == 0)[0]                if neg_pool.size == 0:                    continue                if strategy == "random":                    prob = np.ones(neg_pool.size)                elif strategy == "popularity":                    prob = item_pop[neg_pool] ** 0.75                else:                    prob = np.exp(self.user_vec[u] @ self.item_vec[neg_pool].T)                prob = np.maximum(prob, 1e-9)                prob = prob / prob.sum()                neg_idx = rng.choice(neg_pool.size, size=min(negs, neg_pool.size), replace=False, p=prob)                for i in pos_idx:                    self._update(u, i, 1.0, 1.0)                for n in neg_idx:                    self._update(u, neg_pool[n], 0.0, self.neg_alpha)        return self     def _update(self, u, i, target, weight):        err = target - self.user_vec[u] @ self.item_vec[i]        self.user_vec[u] += self.lr * (weight * err * self.item_vec[i] - self.reg * self.user_vec[u])        self.item_vec[i] += self.lr * (weight * err * self.user_vec[u] - self.reg * self.item_vec[i])     def hit_rate(self, test, top_k=10):        hits = 0        total = 0        for u in range(test.shape[0]):            pos = np.where(test[u] == 1)[0]            if pos.size == 0:                continue            total += 1            pred = self.user_vec[u] @ self.item_vec.T            top = np.argsort(pred)[::-1][:top_k]            if np.intersect1d(top, pos).size > 0:                hits += 1        return hits / total  def run():    inter, item_pop = make_data()    rng = np.random.default_rng(7)    test_mask = np.zeros_like(inter)    pos_ids = np.argwhere(inter == 1)    chosen = rng.choice(pos_ids.shape[0], size=int(pos_ids.shape[0] * 0.2), replace=False)    for idx in chosen:        test_mask[tuple(pos_ids[idx])] = 1    train = inter - test_mask    for strategy in ["random", "popularity", "hard"]:        model = LFMTrainer()        model.fit(train, item_pop, strategy=strategy)        print(strategy, "hit@10 =", round(model.hit_rate(test_mask) * 100, 2), "%")  if __name__ == "__main__":    run()
目的：用纯 NumPy 实现 LFM 矩阵分解，对比随机采样、热度采样、难例挖掘三种负采样策略在掩码测试集上的召回表现。
  1. inter = (score > np.percentile(score, 90)).astype(float)把连续打分按 90 分位截断为 0/1 隐式反馈，模拟「去了/没去」
  2. prob = item_pop[neg_pool] ** 0.75热度采样的核心：热度 0.75 次方软压缩，热门但用户未交互的物品更易被选中
  3. prob = np.exp(self.user_vec[u] @ self.item_vec[neg_pool].T)难例挖掘：用当前模型给所有未交互物品打分取指数，避免负数
  4. rng.choice(neg_pool.size, size=min(negs, neg_pool.size), replace=False, p=prob)按概率分布无放回采样负样本
  5. self._update(u, i, 1.0, 1.0)正样本以权重 1 做误差回传
  6. self._update(u, neg_pool[n], 0.0, self.neg_alpha)负样本以 α 加权，目标值为 0
  7. err = target - self.user_vec[u] @ self.item_vec[i]计算当前样本的预测误差
  8. self.user_vec[u] += self.lr * (...)SGD 更新用户向量，正则项防止过拟合
  9. test_mask[tuple(pos_ids[idx])] = 1随机 mask 掉 20% 正样本做测试集，模拟真实评估

常见误区

误区用户没买过、没点过的东西都可以直接当负样本，负样本越多模型学得越充分。

正解未交互 ≠ 不喜欢。可能是没曝光、没注意、或者还没下定决心。把海量未交互数据全部当负样本，不仅让模型学到「没曝光 = 不喜欢」的系统性偏差，还会带来巨大的训练开销。负采样的本质就是从巨大的候选池里挑出「真正有信息量」的样本，而不是囫囵吞枣。

为何常见：直觉上「没有正反馈就是负反馈」，忽略了隐式反馈中「缺失」是多义信号——没去那家餐厅，可能只是因为它没出现在评论家眼前。

误区负样本多多益善，把正负比拉到 1:100，模型见过的反例多，边界应该更清晰。

正解比例过大会让负样本淹没正样本，模型严重偏向「预测为负」，召回率反而下降；同时训练时间变长、梯度被大量易分负样本占据，收敛变慢。常用区间是 1:1 到 1:10，并配合负样本权重 α 做软控制。做菜时盐放太多，菜反而咸得没法入口。

为何常见：把「反例越多越鲁棒」的分类任务直觉迁移到推荐场景，没意识到隐式反馈的正样本本就已经很稀疏、且负样本质量参差。

误区反正是负样本，随机抽一批就行，popularity 和难例挖掘的收益不明显，还增加实现成本。

正解随机采样会抽到大量「和用户毫无关系」的易分样本，这些样本的梯度接近零，学习效率极低。热度采样和难例挖掘能显著加快收敛、提升最终效果——尤其在曝光充足的场景，差别可能达到几个点的 Hit@K。随机采样只适合冷启动阶段的基线。

为何常见：初期实现成本低，线上 A/B 差异不够显著时，容易被「反正差别不大」的错觉误导。

误区模型最困惑的样本最有价值，那负样本全部用难例，模型应该进步最快。

正解难例比例过高会让训练不稳定甚至「矫枉过正」——模型被反复用最难样本逼到墙角，容易震荡；而且难例里常混入「伪负例」（用户其实喜欢，只是没曝光），放大了噪音。一般控制难例在负样本总量的 10%~30%，与热度采样配合使用。错题集要刷，但不能只刷错题。

为何常见：把「难例」与「信息量」画等号，忽略了过度惩罚的副作用和伪负例的存在。

面试题

Q1. LFM 与 ItemCF 的本质区别是什么？

单选题 · easy

  • A.LFM 直接比较物品的共现关系
  • B.用低维隐向量表达用户与物品← 正确答案
  • C.LFM 不需要用户的交互数据
  • D.用规则匹配用户与物品属性

答案：B。LFM 用 K 维隐因子向量分别刻画用户和物品，预测分由点积算出，不依赖显式共现关系。A 是 ItemCF 的做法；C 错，LFM 恰恰需要交互数据反推隐向量；D 说的是规则/画像方法。把「共现比较」换成「隐向量点积」，正是协同过滤进化的关键一步。

Q2. 隐式反馈场景中，下列哪项最适合作为正样本？

单选题 · easy

  • A.用户浏览过但未点击的商品
  • B.用户点击并停留较久的商品← 正确答案
  • C.从未曝光给用户的商品
  • D.系统随机生成的商品样本

答案：B。正样本应是「用户真实表达偏好」的行为。点击且停留较久说明用户感兴趣；仅浏览未点击信号太弱，未曝光和随机生成根本不是真实行为，不能作为正样本。就像美食评论：只有真正坐下吃完并给出好评的店，才配叫「喜欢」。

Q3. 关于负采样策略，正确的说法有哪些？

多选题 · mid

  • A.随机采样实现简单但有噪音← 正确答案
  • B.热度采样偏向热门物品← 正确答案
  • C.难例挖掘可以提升判别边界← 正确答案
  • D.三种策略的效果完全相同

答案：ABC。随机采样把「没去过」一律当不喜欢，可能选到用户其实喜欢的店，所以有噪音（A 对）；热度采样优先挑热门但用户没交互的物品（B 对）；难例挖掘专挑模型当前最易混淆的负样本，能显著改善边界（C 对）；D 显然错误，三种策略在不同数据分布下效果差异明显。

Q4. 正负样本比例通常取什么范围较稳妥？

单选题 · mid

  • A.1:0.1 到 1:0.5
  • B.1:1 到 1:10← 正确答案
  • C.1:50 到 1:100
  • D.1:1000 以上

答案：B。负样本太少（A）模型学不到「不喜欢」；太多（C、D）正样本信号被稀释、训练不稳定，还带来额外计算开销。业界经验是 1:1 到 1:10，再配合负样本权重 α 微调。就像做菜时盐的用量在稳定区间内，太多太少都毁掉整道菜。

Q5. LFM 中用户 u 对物品 i 的预测分如何计算？

单选题 · easy

  • A.用户向量与物品向量做点积← 正确答案
  • B.用户向量与物品向量取最大值
  • C.用户与物品的共现次数
  • D.物品热度的加权平均

答案：A。LFM 假设预测分是用户隐向量 p_u 与物品隐向量 q_i 的点积，即逐维相乘再求和。B、C、D 都不符合矩阵分解的定义。点积让「用户偏好」和「物品属性」在同一隐因子维度上对齐，就像口味偏好分与餐厅口味分相乘累加得到匹配度。

Q6. 难例挖掘可能带来的副作用有哪些？

多选题 · hard

  • A.伪负例噪音被放大← 正确答案
  • B.训练稳定性下降← 正确答案
  • C.长尾物品被过度压制← 正确答案
  • D.模型不再需要负样本

答案：ABC。难例挖掘选「模型以为用户喜欢但没交互」的样本，其中可能混入「用户其实喜欢只是没曝光」的伪负例，A 对；高难样本占比过高会让梯度震荡、训练不稳，B 对；热门难例被反复惩罚会挤占长尾物品的学习空间，C 对；D 荒谬，任何有监督训练都需要负样本。

Q7. 为什么不能把全部未交互数据都当作负样本？

单选题 · mid

  • A.未交互不等于用户不喜欢← 正确答案
  • B.正样本的数量会因此变少
  • C.模型训练速度会明显变快
  • D.所有物品都会得到推荐

答案：A。隐式反馈中「没交互」可能源于没曝光、没留意或没来得及，不等于负向偏好。全部拿来当负样本不仅让模型学偏，还产生海量训练对。这正是负采样存在的意义——从巨大候选池里挑出真正有信息量的负样本，而非照单全收。

Q8. LFM 的 SGD 更新过程中涉及哪些要素？

多选题 · easy

  • A.学习率控制步长← 正确答案
  • B.预测误差驱动方向← 正确答案
  • C.正则项防止过拟合← 正确答案
  • D.物品发布时间决定顺序

答案：ABC。SGD 更新公式里，误差 e_ui 提供梯度方向，学习率 η 控制步长，正则项 λ 把参数往回拽，所以 A、B、C 都对。物品发布时间属于上下文特征，虽然可作为特征使用，但不是 SGD 更新公式的组成要素。

Q9. Word2Vec 负采样中的热度指数 0.75 主要作用是什么？

单选题 · extreme

  • A.提高热门物品的采样概率
  • B.软压缩热度以平衡采样分布← 正确答案
  • C.让所有物品采样概率完全相等
  • D.完全消除热门物品的采样影响

答案：B。0.75 次方是对热度做「软压缩」：热门物品的概率被压得没那么高，冷门物品也保有采样机会，在采样分布与均匀分布之间取得平衡。A 只说了表面——提高热门不是目的，平衡才是；C、D 与指数调节的初衷相悖。0.75 是经验值，实际可在 0.5~0.85 调优。

Q10. 混合采样中「热度为主、难例为辅」的典型配比是？

单选题 · hard

  • A.约 80% 热度采样加 20% 难例← 正确答案
  • B.约 20% 热度采样加 80% 难例
  • C.约 50% 热度采样加 50% 难例
  • D.约 100% 难例且无热度采样

答案：A。工业界常用热度采样保证基础收敛、难例挖掘提升判别边界，配比多取 7:3 到 9:1，因此 80/20 是典型值。B 中难例占比过高会引入过多伪负例与震荡；C 对等配比难以兼顾稳定与锐度；D 完全放弃热度采样，过拟合风险高。