采用铰链成对距离损失与正交表示的一类推荐系统

在一类推荐系统中，目标是从一小部分已交互的用户与物品中学习模型，随后在大量交互未知的用户–物品对中识别正相关的用户–物品对。以往多数损失函数依赖于从交互未知的对中选取的不相似用户与物品对，以获得更好的预测性能。该策略带来若干挑战，例如增加训练时间，以及因将“交互未知的相似对”选为不相似对而损害性能。本文目标为仅使用相似集训练模型。我们指出了模型仅在相似对上训练时会收敛到的三种平凡解：坍缩解、部分坍缩解与收缩解。我们提出可加入现有目标函数的两项以避免这些解。其一是铰链成对距离损失，通过使所有表示的平均成对距离大于某一边界来避免收缩解与坍缩解。其二是正交项，最小化表示各维度间的相关性，从而避免部分坍缩解。我们在公开与真实世界数据集的多种任务上开展实验。结果表明，仅使用相似对的我们的方法优于使用相似对及大量不相似对的最先进方法。