推荐场景中正样本通常极少，点击率常在百分之几甚至千分之几。极端不均衡会让模型倾向于预测负类，虽然准确率很高但排序区分度差，头部推荐质量下降明显。
负采样是最常用的手段。对曝光未点击样本按比例下采样，可显著加快训练并缓解不均衡，但会改变样本分布，导致预估概率偏高，需要在服务端做概率校准。校准方法包括Platt缩放和基于先验比的公式修正。
样本加权是另一条路径。给正样本更高权重、给难负样本适当加权，能在不改变样本量的前提下调整损失曲面。但权重设置缺乏理论最优，需要通过验证集调参，且过度加权会放大噪声。
实践中常将两者结合：先负采样控制训练成本，再用加权强化正样本信号，最后做概率校准保证排序分数的可比性。评估时要同时看排序指标和校准误差，避免顾此失彼。
