不同类型模型的样本组织形式
在推荐系统中，样本流作为模型的基建至关重要，样本的组织形式通常与模型预估的目标的特点相关，包括PointWise、Parwise和Listwise的建模方式；一般主要是PointWise的模型居多，其次是Listwise的，Pairwise的模型相对较少。
对于一条样本，由Feature和Label两部分组成，其中Feature根据不同维度可以划分成不同的类型特征：
- 根据特征是否需要构建Embedding层分为Sparse特征和Dense特征；
- 根据特征所归属分为：User侧特征、Context特征和Item侧特征；
- 根据特征读入维度分为：基础特征和序列特征；
但特征对于样本的组织形式影响并不大，主要是Label和模型建模方式决定了样本的组织方式。
Pointwise
最经典pointwise模型即推荐系统中的MTL精排或粗排模型，最常见的就是预估点击和转化率目标。
暂时无法在飞书文档外展示此内容
对于MTL模型，假如一次推荐服务的请求返回给用户10个item候选，假设对于每次请求平均曝光出来的N（N<=10）个商品，则平均每次会产生N条样本；假设每天一个推荐系统产生M次请求，一天内共产生M*N条样本，其中这些请求中大多数是曝光未点击的item，这些样本全部送入模型学习会非常消耗计算资源，因此一般会对这部分负样本进行负采样，所有正样本均保留。
还有一种是Cascade级联模型，例如Cascade粗排，其预估目标是精排的TopN，即一次请求中，会将该次请求精排TopN作为正样本，不在top3的随机抽取N（N一般取1~3）个作为负样本，即一次请求固定产生2N条样本，每天将会产生2MN的样本，其采样是按照请求粒度采样。
Listwise
一般对于混排来说或者Listwise的重排模型，其打分考虑了一刷内其他候选item的信息，因此在落样本时依旧是一次请求内将进入混排或者重排打分的TopN的item，然后根据这个候选最终是否曝光出去，因此一般这种组织方式需要模型预估item曝光出去的概率，然后曝光后预估相应的点击和转化目标。