协同过滤损失函数的深入理解

Aug, 2023

Toward a Better Understanding of Loss Functions for Collaborative Filtering

Seongmin Park, Mincheol Yoon, Jae-woong Lee, Hogun Park, Jongwuk Lee

TL;DR本文分析了现有损失函数之间的关系，揭示了先前的损失函数可以解释为对齐和均匀度函数，并基于此分析提出了一种新的损失函数 MAWU，该函数考虑了数据集的独特模式，通过缓解用户 / 物品特定的流行度偏差和调整用户和物品均匀度之间的重要性，使得使用 MAWU 的 MF 和 LightGCN 在三个公共数据集上与各种损失函数的最先进的协同过滤模型相媲美或更优。

Abstract

collaborative filtering (CF) is a pivotal technique in modern recommender systems. The learning process of CF models typically consists of three components: interaction encoder, loss function, and negative sampling. Although many existing studies have proposed various CF models to desi

collaborative filtering loss functions interaction encoders alignment uniformity

发现论文，激发创造

uCTRL: 无偏差对比表示学习，通过排列和均匀性，用于协同过滤

本文提出了一种基于 InfoNCE loss function 的无偏差对比表示学习方法（uCTRL），以有效消除协作过滤模型中的流行度偏差问题，并通过四种基准数据集的实验验证，证明其在 Recall@20 和 NDCG@20 上的性能优于现有的无偏导向推荐模型，最高可达 12.22％和 16.33％的增益。

May, 2023

SimpleX：协同过滤的简单而强大的基准模型

通过对 11 个基准数据集进行广泛的实验，本研究体现了损失函数以及负采样比率的重要性，并进一步将余弦对比损失函数用于一个简单的统一协同过滤模型 SimpleX 中，结果表明，在 CCL 损失和大负采样比率下，SimpleX 可以大幅度超越大多数当前最先进的模型。

Sep, 2021

多边损失函数：在推荐系统中的提出和应用

多边界损失（MML）是一种简单而有效的损失函数，通过引入多个边界和变化的负样本权重，解决了资源有限时的挑战，并在两个知名数据集上实验证明，在使用更少的负样本时，MML 相对于基准对比损失函数取得了高达 20％的性能提升。

May, 2024

推荐系统中的原型对比学习：通过对齐和一致性实现

通过在潜在空间中提出原型 (簇中心) 作为多样性图形的不同扩充的一致性基准，我们介绍了一种名为 ProtoAU 的推荐方法，它通过排序和保持用户和项目的原型的一致性以及统一性来解决了图对比学习中的采样偏差问题。

Feb, 2024

邻域增强的监督对比学习在协同过滤中的应用

我们提出的 Neighborhood-Enhanced Supervised Contrastive Loss (NESCL) 模型在三个真实数据集上， Yelp2018、Gowalla 和 Amazon-Book，相较于原始的 SGL 模型，在 NDCG@20 上分别提升了 10.09%、7.09% 和 35.36%。

Feb, 2024

多组分图卷积协同过滤

研究了协同过滤方法中用户和商品之间的图模型，提出了一种新的多组件图卷积协同过滤算法 (MCCF)，旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块，设计了一种新的方式以获得对用户消费行为的高精度预测，实验结果表明，该算法不仅在三个真实数据集上表现优异，而且还证明了考虑多个组件的必要性。

Nov, 2019

对抗热度偏差的流行度感知对齐与对比

通过实证分析流行度偏见并提出了面向流行度偏见的对齐和对比模块来解决两个挑战，即从流行物品中提取通用监督信号以改进不受欢迎物品的表示，并从流行度视角提出重新加权的对比学习损失以减轻表示分离。

May, 2024

AutoLoss: 推荐系统中的自动化损失函数搜索

本文提出了一种自动适应的损失函数搜索框架（AutoLoss），其中包括一个控制器网络可以动态调整不同数据样例的损失概率，以提高模型的泛化性和易转移性。实验证明，AutoLoss 比代表性基线表现更好。

Jun, 2021

SelfCF: 自监督协同过滤的简单框架

本文提出了一种自监督的协同过滤框架 (SelfCF)，能够用于隐式反馈的推荐场景，该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型，通过三种输出扰动技术来增强骨干网络生成的嵌入，尽管不区分背骨模型，但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性，训练速度为 2×-4×，平均能提升 17.79％与自我监督框架 BUIR 相比。

Jul, 2021

通过对比学习重新审视推荐损失函数（技术报告）

通过对比学习的成功启发，我们系统地研究了推荐系统损失函数，包括列表损失（softmax）、成对损失（BPR）和逐点损失（MSE 和 CCL）。在这个工作中，我们引入了带有平衡系数的 InfoNCE+，强调其性能优势，尤其是与我们的新解耦对比损失 MINE + 相结合时。我们还利用了去偏的 InfoNCE 来修正逐点推荐损失 CCL，称为去偏 CCL。有趣的是，我们的分析表明线性模型如 iALS 和 EASE 本质上是去偏的。实证结果证明了 MINE + 和去偏 CCL 的有效性。

Dec, 2023