Dec, 2023
通过对比学习重新审视推荐损失函数（技术报告）
Revisiting Recommendation Loss Functions through Contrastive Learning
(Technical Report)
TL;DR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。