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

1、DIN的注意力机制和transformer的注意力机制有啥区别 注意力范围：DIN是局部注意力，只计算了候选物品和历史行为的一个相关性，但是Transformer是全局计算了 计算方式不一样：DIN的话是将两个向量拼接或者相减，然后通过全连接层，Transformer是通过计算QKV矩阵，然后点

召回阶段 命中率 预测准确的正样本数 / 所有预测为正样本的数量 召回率 预测准确的正样本数 / 所有正样本数 排序阶段 AUC 从物理意义来说，ROC曲线的面经，ROC曲线即横坐标是假阳率，纵坐标是

两个模型都是用来预测CTR点击率的 点击率是0-1的 在一定程度上都是在时间序列数据基础上进行建模 DIN 在建模中引入了attention机制，然后引入了小批量自适应正则化和Dice激活函数