通过可微分组AUC优化增强个性化排序
机器学习
2023-04-20 v1 人工智能
摘要
AUC是评估分类器性能的常用指标。然而，大多数分类器使用交叉熵训练，并未直接优化AUC指标，这在训练与评估阶段之间留下了鸿沟。本文中，我们提出PDAOM损失，一种带最大违反的个性化可微AUC优化方法，可直接应用于二分类器训练并用基于梯度的方法优化。具体而言，我们按用户ID分组在子批内构造正负困难样本对的成对指数损失，旨在引导分类器从独立用户的角度关注难区分的异类样本对之间的关系。与原始成对指数损失形式相比，所提PDAOM损失不仅在离线评估中提升了AUC和GAUC指标，还降低了训练目标的计算复杂度。此外，PDAOM损失在美团“猜你喜欢”信息流推荐应用上的在线评估显示，相较基线模型点击量提升1.40%、订单量提升0.65%，在该成熟的在线生活服务推荐系统中是显著改进。
引用
@article{arxiv.2304.09176,
title = {Enhancing Personalized Ranking With Differentiable Group AUC Optimization},
author = {Xiao Sun and Bo Zhang and Chenrui Zhang and Han Ren and Mingchen Cai},
journal= {arXiv preprint arXiv:2304.09176},
year = {2023}
}
备注
NeuRec@ICDM 2022