第 22 题：GAUC（Group AUC）的计算方式，为什么比全局 AUC 更反映真实排序能力？
题目
GAUC(Group AUC)的计算方式，为什么比全局AUC更反映真实排序能力？
完整讲解
一、计算方式
- 全局 AUC：把所有样本混在一起，算「随机正样本得分 > 随机负样本得分」的概率；不同用户/请求的样本混在一起。
- GAUC：先按用户（或请求/session）分组，在每个组内分别算 AUC，再按曝光量或样本量加权平均：
\(\mathrm{GAUC} = \frac{\sum_u w_u \cdot \mathrm{AUC}_u}{\sum_u w_u}.\)
$w_u$ 常取该用户/请求下的曝光数或样本数，避免小样本组拉低或拉高整体。
二、为什么更反映真实排序能力
- 用户内排序：线上每次请求是在同一用户的一次曝光列表内排序，关心的是「这个用户看到的几条里谁更该排前面」，而不是「用户 A 的正样本 vs 用户 B 的负样本」谁高。
- 全局 AUC 的偏差：不同用户点击率、分布差异大；全局 AUC 会被高活用户、高样本量用户主导，且「跨用户正负对」的排序与线上场景不一致；模型可能把用户 A 的负样本压过用户 B 的正样本，全局 AUC 仍高，但单用户内排序未必好。
- GAUC：组内 AUC 直接衡量「单次请求内的排序」，与线上一致；加权平均后更能反映各流量上的整体排序能力，减少用户间分布差异的干扰。
面试要点
- GAUC：按用户/请求分组算 AUC，再按曝光或样本量加权平均。
- 更反映真实：线上是用户内排序；全局 AUC 跨用户、被高活主导；GAUC 与请求内排序一致。
记忆要点
- GAUC = 组内 AUC 的加权平均；组=用户或请求。
- 全局 AUC 跨用户、偏流量分布；GAUC 对应用户内排序，更贴近线上。