第 180 题：负反馈处理，显式不喜欢与隐式跳过的联合建模？
题目
负反馈处理，显式不喜欢与隐式跳过的联合建模？
完整讲解
一、负反馈的类型
显式不喜欢：用户主动点「不感兴趣」「屏蔽」等。隐式跳过：用户看到但不点击、快速划过、短停留即离开。二者都表达「不想要」，但信号强度与噪声不同：显式更准、更稀疏；隐式更密、需与「未看到」区分。
二、联合建模的意义
- 单独建模：仅用正反馈（点击、完播）易把「未点击」全当负样本，混淆「不喜欢」与「未曝光/未注意」；仅用显式不喜欢则数据稀疏。
- 联合建模：同时利用显式不喜欢与隐式跳过，可更准确刻画用户不感兴趣：显式作为强负样本或约束，隐式作为弱负或降权正样本；或建多任务（点击、跳过、不喜欢）共享表示、分头预测。
三、常见做法
- 样本构造：显式不喜欢→负样本；隐式跳过（如曝光无点击且短停留）→负样本或降权；未曝光/未注意→不参与或低权重。
- 模型：双塔/序列模型在 loss 中对显式负、隐式负设不同权重；或增加「不喜欢」头、与 CTR 联合训练。
- 排序与过滤：预测「不感兴趣」概率，在排序中惩罚或直接过滤高不感兴趣物品；显式不喜欢可进黑名单或约束 embedding 距离。
面试要点
- 能区分显式不喜欢与隐式跳过，并说明联合建模的必要性（显式稀疏但准、隐式密但需区分未注意）。
- 能描述样本构造：显式负、隐式负（含权重）与未曝光处理；能简述多任务或联合 loss 的做法。
- 能说明在排序/过滤中如何使用「不感兴趣」预测与黑名单。
记忆要点
- 显式不喜欢=强负、稀疏；隐式跳过=弱负、密；联合建模更准刻画不感兴趣。
- 样本：显式负、隐式负加权；模型可多任务；排序中惩罚或过滤高不感兴趣、黑名单。