四大特征

ID相当于是人拥有的身份证，能够唯一确定出一个人

用户特征

主要指的是用户ID和用户画像

物品特征

主要是指物品ID和物品画像以及物品持有人。

统计特征

统计特征既包括对用户的统计，也包括了对物品的统计（该物品的购买量，转发量等等）。

场景特征

购买者所在的城市等等。

预估是指通过已有数据训练得到的模型，从而能够预测某一用户对某篇文章的行为。
而在已有数据训练过程中，可以让模型不断去逼近/拟合目标。
多目标的单个目标可用01来代表是否进行转发/收藏/点赞。
所以可以采用交叉熵来作为损失函数。
由于每一个目标对应一个交叉熵，所以多个目标对应多个交叉熵，所以可以考虑将多个交叉熵之和来作为整体的损失函数。

训练过程中会遇到的问题

正负样本是根据是否产生有进一步进行推送的必要而定义的。

负样本减少，总体样本减少，但正样本的个数仍是不变，所以总体的点击率会下滑。

获得$P_{true}$的公式，只需要在$P_{true}$的基础上，上下同时除以$n_{+}+\alpha \cdot n_{-}$,整理后即可得到校准公式。
而处理成这个校准公式的好处是，无需知道具体的负样本和正样本个数。