通过对比学习重新审视推荐损失函数（技术报告）
人工智能
2024-11-05 v2
摘要
受对比学习成功的启发，我们系统地考察了推荐损失，包括列表式（softmax）、成对式（BPR）和点式（MSE 和 CCL）损失。在此过程中，我们引入了 InfoNCE+，即带有平衡系数的 InfoNCE 的优化推广形式，并强调了其性能优势，特别是当其与我们新的解耦对比损失 MINE+ 结合使用时。我们还利用去偏 InfoNCE 对点式推荐损失（CCL）进行去偏，得到 Debiased CCL。有趣的是，我们的分析表明，像 iALS 和 EASE 这样的线性模型本身是去偏的。实证结果证明了 MINE+ 和 Debiased-CCL 的有效性。
引用
@article{arxiv.2312.08520,
title = {Revisiting Recommendation Loss Functions through Contrastive Learning (Technical Report)},
author = {Dong Li and Ruoming Jin and Bin Ren},
journal= {arXiv preprint arXiv:2312.08520},
year = {2024}
}
备注
This manuscript was initially submitted for review in August 2023