【曝光偏差】MCL: Mixed-Centric Loss for Collaborative Filtering

原创

已于 2023-10-30 22:09:14 修改 · 1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习 #人工智能 #推荐算法

于 2022-03-16 17:42:04 首次发布

该论文提出了一种名为MCL的新型损失函数，用于协同过滤。MCL通过挖掘难正负样本并赋予它们权重，改进了传统逐点和成对损失函数。在更新节点表示时，考虑了其他用户和商品的全局信息，提高了推荐系统的性能。实验表明，MCL在复杂度和效果上优于一些现有方法。

#论文题目：MCL: Mixed-Centric Loss for Collaborative Filtering（MCL：混合中心损失用于协同过滤）
#论文地址：https://www.cs.toronto.edu/~mvolkovs/WWW2022_MCL.pdf
#论文源码开源地址：https://github.com/layer6ai-labs/MCL/tree/master/code
#论文所属会议：WWW 2022

一、引言 & 创新点

推荐系统模型中通常采用逐点损失（CE）和成对损失（BPR），很少探索如何从可用的偏好信息中最优地提取信号。对负样本进行采样后，通常利用正样本和采样的负样本来更新权重。这可能会忽略来自其他用户和商品的有价值的全局信息，并不能得到最终好的结果。

本文提出的MCL方法解决了上述问题。MCL方法是在用其他方法（如：CML、LightGCN、NeuMF等）得到网络中各节点的表示向量后，在进行迭代求解每个节点的向量表示的最优值时，首先挖掘并标记出富含信息的难（正负）样本对，然后为难样本分配更多的权重。加权过程由四个不同的组件组成，并结合了来自其他用户的距离信息，使模型能够更好地学习的表征。