Lower-Left 部分 AUC：面向推荐的有效且高效的优化指标
信息检索
2024-03-05 v1 机器学习
摘要
优化指标对于大规模构建推荐系统至关重要。然而，实际应用中仍缺乏一种有效且高效的指标。虽然 Top-K 排序指标是优化的金标准，但存在显著的计算开销。或者，更高效的准确性和 AUC 指标往往难以捕捉推荐任务的真实目标，导致次优性能。为克服这一困境，我们提出了新的优化指标 Lower-Left 部分 AUC (LLPAUC)，其计算效率类似于 AUC，但与 Top-K 排序指标高度相关。与 AUC 相比，LLPAUC仅考虑 ROC 曲线下Lower-Left 区域的面积，以将优化焦点推向 Top-K。我们提供了 LLPAUC 与 Top-K 排序指标相关性的理论验证，并演示其对噪声用户反馈的鲁棒性。我们进一步设计了高效的基于点的方法的推荐损失函数，以最大化 LLPAUC，并在三个数据集上进行评估，验证了其有效性和鲁棒性。
引用
@article{arxiv.2403.00844,
title = {Lower-Left Partial AUC: An Effective and Efficient Optimization Metric for Recommendation},
author = {Wentao Shi and Chenxu Wang and Fuli Feng and Yang Zhang and Wenjie Wang and Junkang Wu and Xiangnan He},
journal= {arXiv preprint arXiv:2403.00844},
year = {2024}
}
备注
WWW 2024; 15 pages