最好的trick就是保證數據精准前提下，如無必要，不要采樣。既然數據是模型的上限，就不應該破壞這個上限。
聊聊什么是精准。
很多號稱數據清洗的工作，都是工程體系太弱的后果，其實不是算法的問題。比如，沒有曝光日志，用了服務端日志，偽曝光做了負樣本；沒有准確的曝光日志，比如卡片漏出了一個頭用戶根本沒看到就記錄了曝光日志，充當了負樣本;場景里有引流模塊，把用戶在場景外的點擊強插到前面，這個物品的樣本是應當丟掉的，或者在特征上做一些處理，防止把高點擊率歸因給物品，造成整個模型的潰敗。
在精准上，有一個不能稱之為trick的常識，就是處理好點擊事件的delay。構造CTR樣本就是拿曝光日志去join點擊日志，無論這這個日志是在批處理平台還是流式計算平台，由於用戶點擊天然比曝光事件滯后，加上系統本身的延遲，點擊日志會比曝光日志晚到，如果按照一個時間戳截斷兩個日志，會有一些正樣本被誤認為負樣本。如果是天級的樣本，23點之后的樣本有一些是錯的。如果是小時級或流式，曝光日志要delay等待點擊日志多久，要好好評估一下，看看等待多久能讓絕大多數樣本正確。
聊聊什么是必要。
數據量太大，你train不動了，這時候做負樣本的下采樣，但是絕對沒有正向的效果，這也可能是工程體系不夠強大的表現。采樣稍有不慎，還會造成負向效果。做了采樣均值就變了，還要重新矯正預估值，麻煩。
某個用戶行為多，要采樣怕影響整體分布？采樣了才影響整體分布吧，如果數據本身是精准的，我不相信這能有用。
還有人講，說負樣本太多，要采樣。假如是1:1k，其實也沒什么問題。假如是1:1w，那有一億個樣本里才有1w的正例，這個正例本身就太少太偏，業務上這個指標有意義嗎？這個預估不能拆成兩個預估的乘積嗎？如果都不行，我覺得可能用點規則效果更好。
數據彌足珍貴，如無必要，不要采樣，既然數據是模型的上限，就不應該破壞這個上限。好好利用每一條用戶反饋，不出錯，不亂搞，結硬寨，打呆仗，這往往就是最好的策略。