只有正样本和未标签数据的机器学习怎么做？ 第1页

这个问题超有趣，推荐系统里有类似的场景，即只有用户点击浏览购买的正样本，却没有显性负样本，这样该如何学习呢？

我们假设下面几种方案：

1. 对于一个用户，用他所有没有过行为的数据作为负样本
2. 对于一个用户，从他没有过行为的负样本中均匀采样出一些作为负样本
3. 对于一个用户，从他没有过行为的负样本中均匀采样出一些作为负样本， 且保证正负样本比为1：1
4. 对于一个用户，从他没有过行为的负样本中均匀采样出一些作为负样本，但采样时，偏重采样那些热门却没有点击的样本。

对于第一种方法，缺点太明显，在实际样本中，负样本数量远远超过正样本，正负样本比例太悬殊，效果最差。

而第三种方法好于第二种，因为第三种样本比例比较平衡。

最有趣的莫过于第四种方案了，在2011年举办的KDD cup的Yahoo！music推荐比赛中，大家发现选取热门却没有行为的样本进行负采样效果最好！

因为热门物品大概率曝光过，而用户没有点，说明用户不感兴趣；而冷门物品，用户压根就没见到过，根本谈不上是否感兴趣。

一个看似简单的办法，背后却是对用户及数据逻辑深刻的洞察，这才是机器学习最有魅力的地方。