在排序算法中，负样本的构造常常是曝光未点击，但是在召回中不可以这样，原因如下：
导致SSB（sample selection bias）样本选择偏差问题，曝光的样本本身就是比较好的样本了，排序是“优中选优”，所以可以这样负采样，但是召回是从大量的候选集中选出用户感兴趣的，需要学习那些曝光没这么高的样本
曝光未点击已经是上个版本召回选出来的正样本了，现在又当作负样本，冲突了
导致召回模型一叶障目，只会鉴别那些高曝光的样本，对那些没出现过，少出现的样本，无法区分
所以召回算法中，常常用的是更复杂的采样方法
随机负采样
随机选择，但是越是流行的Item，越大概率会被选择作为负例
采样hard负样本：比如前一轮召回模型中排名靠后的样本当做是负样本，但是也不能太靠后，太靠后与随机一样了
