5.3-FM召回

推荐系统召回是怎么实现热门item的打压?

任何一个推荐系统，都难逃"2~8定律的影响，即20%的热门item占据了80%的曝光与点击。因为正例中的物料都是用户点击过的物料，可以说正例数据被少数热门物料所”垄断”。导致的后果就是，

• 训练时，模型会迫使每个用户向量尽可能接近少数热门物料的向量；
• 预测时，每个用户从FAISS检索出来的邻居都是那少数几个热门物料，使推荐结果丧失了个性化与多样性。

由此可见，"打压热门物料的必要性。视物料出现在正例还是在负例中，要采取截然不同的打压策略

生成item+时，打压高热item（热门物料当正例要降采样）

目标是降低热门item成为item+的可能性。因此，item越热门，其成为item的概率就应该越低。
定义一个item成为item+的概率

• 其中是物料的曝光频率。可见，曝光越频繁，即热度越高，它成为正样本的概率就越低。
• 是一个超参。可以理解为定义"冷门物料"的门槛，如果还被点击过，必须成为正样本。

生成item-时，提升高热item（热门物料当负例要过采样）

目标是提升热门item成为item-的概率。物料的热度越高，应该越有可能成为负例。可以从两个角度来理解

• 既然热门item已经垄断了了item+，我们也需要提高热门item在item-中的比例，以抵消热门item对loss的影响
• 如果在负采样时采取uniform sampling，因为候选集巨大而采样量有限，因此极有可能采样得到的物料与用户"八杆子打不着"，即所谓的easy negative。而如果多采样一些热门item当item-，因为绝大多数用户都喜欢热门item，这样采集到的item-是所谓的hard negative，会极大地提升模型的分辨能力。

所以在随机采样负样本时，一方面需要采集到的item-能够尽可能地广泛覆盖所有候选item，另一方面又需要使采集到的item-尽量集中于高热item。
为了平衡这两方面的需求，我们定义负采样概率

• 代表所有候选物料
• 超参时，负采样完全按照物料的热门程度进行，对热门item的打压最厉害，但是对所有候选item的覆盖度下降，导致训练数据环境与预测数据环境的gap增大，反而损害召回效果。
• 时，负采样变成unform sampling，对所有候选item的覆盖度最高，减少了训练环境与预测数据环境的gap，但是对热门item的打压完全没有打压，采集到的都是easy nagatve，召回效果会偏热门，个性化较差。
• 根据经验，b一般取0.75

请简述一下FM召回的原理和优点。