基于解耦视角的软目标学习推荐系统

学习具有多类优化目标的推荐系统是推荐领域中常见的设置。然而，用户反馈通常仅占整个物品池的一小部分，标准 Softmax 损失倾向于忽略潜在积极反馈与真实消极反馈之间的差异。为解决这一挑战，我们提出了一种新型的解耦软标签优化框架，通过利用软标签将目标置信度和非目标物品的潜在兴趣分布这两个方面分离考虑。此外，基于我们严格的理论分析，我们设计了一种灵活调整这两个方面重要性的解耦损失函数。为最大化所提方法的性能，我们另外提出了一种合理的软标签生成算法，通过标签传播算法探索用户在未观察反馈中潜在的兴趣。我们在各种推荐系统模型和公共数据集上进行了大量实验，结果表明所提方法的有效性和普适性。