1. 学习精排的序
为了保证推荐系统全链路的一致性，在召回阶段常常会学习精排的序，即把精排排在前面的item作为正样本，排在后面的item作为副样本，还可以补充一部分未来进精排的item作为easy负样本。
这里也可以采用point-wise和pair-wise两种建模方式，如果采用pair-wise建模，可以把排在前面的item label置为5，排在中间的item labell置为3，排在后面的item label置为1
2. inbatch采样
参考YouTube的这篇论文《Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendations》，一个batch内都是由正反馈的user-item组成，即只有正样本，可以把其它batch内其它user的正反馈样本作为当前user的负样本，但是这样采样可能会对热门item造成打压（因为热门item容易被采样为负样本），所以YouTube提出可以流式的估计每个item的采样频率，然后用这个频率去纠偏。YouTube在这篇论文中采用了softmax作为多分类来计算，也可以采用sigmoid作为二分类来计算