用于推荐的（去偏）对比学习损失（技术报告）
人工智能
2024-11-05 v2
摘要
在本文中，我们通过对比学习的视角，对推荐损失进行了系统性检验，包括列表（softmax）、成对（BPR）和点对（均方误差，MSE，以及余弦对比损失，CCL）损失。我们首次在推荐设置下引入并研究了去偏 InfoNCE 和互信息神经估计器（MINE）。我们还通过下界分析将这两种损失与 BPR 损失联系起来并加以区分。此外，我们提出了去偏点对损失（针对 MSE 和 CCL），并在理论上证明 iALS 和 EASE 这两个最流行的线性模型本质上是去偏的。实证实验结果表明，去偏损失和新引入的互信息损失优于现有的（有偏）损失。
引用
@article{arxiv.2312.08517,
title = {(Debiased) Contrastive Learning Loss for Recommendation (Technical Report)},
author = {Ruoming Jin and Dong Li},
journal= {arXiv preprint arXiv:2312.08517},
year = {2024}
}
备注
This manuscript was initially submitted for review in February 2023