基于正未标记隐式反馈的去偏成对学习
信息检索
2023-08-01 v1
摘要
从成对比较中学习对比表示已在自然语言处理、计算机视觉和信息检索等多个领域取得显著成功。基于成对学习的协同过滤算法同样根植于该范式。一个重要的担忧是隐式反馈数据中负例标签的缺失,这常导致随机选取的负例包含假负例,并不可避免地产生有偏嵌入。为解决此问题,我们引入一种针对采样偏差的新颖校正方法,得到一种称为去偏成对损失(DPL)的修正成对学习损失。DPL背后的核心思想是校正由假负例导致的有偏概率估计,从而校正梯度以逼近全监督数据下的梯度。DPL的实现仅需对代码做微小修改。在五个公开数据集上的实验研究验证了所提学习方法的有效性。
引用
@article{arxiv.2307.15973,
title = {Debiased Pairwise Learning from Positive-Unlabeled Implicit Feedback},
author = {Bin Liu and Qin Luo and Bang Wang},
journal= {arXiv preprint arXiv:2307.15973},
year = {2023}
}
备注
13 pages