SimCE：简化协同过滤交叉熵损失
信息检索
2024-06-25 v1 人工智能
摘要
学习目标是协同过滤系统的核心，而贝叶斯个人化排序（BPR）损失在学习信息性主干网络方面广泛使用。然而，BPR 常常面临收敛缓慢和次优局部最优的问题，部分原因是它仅为每个正样本考虑一个负样本，忽略了其他未观测物品的潜在影响。为解决此问题，最近提出的抽样 Softmax 交叉熵损失（SSM）将一个正样本与多个负样本进行比较，从而实现更好的性能。我们的全面实验确认，协同过滤系统在训练期间始终从多个负样本中受益。此外，我们提出一种简化的抽样 Softmax 交叉熵损失（SimCE），其上限简化了 SSM。我们在 12 个基准数据集上进行验证，使用了 MF 和 LightGCN 两种主干网络，结果表明 SimCE 在 BPR 和 SSM 上均显著优于后者。
引用
@article{arxiv.2406.16170,
title = {SimCE: Simplifying Cross-Entropy Loss for Collaborative Filtering},
author = {Xiaodong Yang and Huiyuan Chen and Yuchen Yan and Yuxin Tang and Yuying Zhao and Eric Xu and Yiwei Cai and Hanghang Tong},
journal= {arXiv preprint arXiv:2406.16170},
year = {2024}
}