基于负采样改进项目推荐器排名估计
信息检索
2024-10-14 v2
摘要
在推荐系统中，推荐可用项目的数量（如电影、音乐、产品）正在增长。当推荐项目集合庞大时，训练和评估项目推荐模型会变得计算昂贵。为降低此成本，人们倾向于对负样本进行采样。然而，传统负采样机制引入的偏差可能损害推荐质量。本文我们演示了纠正负采样引入偏置的优势。我们首先提供了经典方法WARP和LambdaRank的采样批次版本。随后，我们展示了这些方法如何从改进的排名估计中受益。最后，我们评估了纠正排名估计后对推荐质量的影响，证明WARP和LambdaRank可通过负采样和我们提出的校正技术高效学习。
关键词
引用
@article{arxiv.2410.06371,
title = {Improved Estimation of Ranks for Learning Item Recommenders with Negative Sampling},
author = {Anushya Subbiah and Steffen Rendle and Vikram Aggarwal},
journal= {arXiv preprint arXiv:2410.06371},
year = {2024}
}