突破 Top-K 障碍：在推荐系统中提升 Top-K 排序指标优化

在推荐系统（RS）领域，诸如 NDCG@$K$ 等 Top-K 排序指标是评估推荐性能的黄金标准。然而，在推荐模型训练期间，优化 NDCG@$K$ 面临显著挑战，由于其内在的不可连续性以及复杂的 Top-K 截断。在近期尝试优化 NDCG@$K$ 的工作要么忽略了 Top-K 截断，要么因计算成本高和训练不稳定而受限。为克服这些限制，我们提出 SoftmaxLoss@$K$（SL@$K$），这是一种针对 NDCG@$K$ 优化的新型推荐损失。具体而言，我们采用分位数技术处理 Top-K 截断，并推导 NDCG@$K$ 的光滑上界以解决不可连续问题。 resulting SL@$K$ loss具有多个理想属性，包括理论保证、易于实现、计算高效、梯度稳定以及对噪声的鲁棒性。在四个真实数据集和三个推荐模型 backbone上的大规模实验表明，SL@$K$ 在现有损失函数方面实现了显著的平均提升，提升幅度达 6.03%。代码已公开于 https://github.com/Tiny-Snow/IR-Benchmark。