基于三元组损失的矩阵分解用于鲁棒推荐
信息检索
2022-10-24 v1 机器学习
摘要
与其他基于学习的模型类似，推荐系统可能受到训练数据中偏差的影响。尽管典型的评估指标（如命中率）并不关注这些偏差，但某些类别的最终用户深受其害。本文提出使用多个三元组损失项来提取有意义且鲁棒的用户与物品表示。我们通过若干“偏差感知”评估指标，以及在训练集变动下的稳定性、预测方差与各用户方差的一致性方面，对这些表示的合理性进行了实证评估。
引用
@article{arxiv.2210.12098,
title = {Triplet Losses-based Matrix Factorization for Robust Recommendations},
author = {Flavio Giobergia},
journal= {arXiv preprint arXiv:2210.12098},
year = {2022}
}