几种推荐系统领域解决排序问题的损失函数

loss=误差+正则

http://www.cnblogs.com/rocketfan/p/4083821.html

1.1 Loss Term

• Gold Standard (ideal case)：0-1 loss, 记录分类错误的次数
• Hinge (SVM, soft margin)
• Log (logistic regression, cross entropy error)
• Squared loss (linear regression)
• Exponential loss (Boosting)

 

top1 loss:

这是一种启发式的组合损失函数，由两个部分组成：第一部分旨在将目标分数提升到样本分数以上，而第二部分则将负样本的分数降低到零。第二部分其实就是一个正则项，但是并没有直接约束权重，它惩罚了负样本的得分。因为所有的物品都有可能作为某一个用户的负样本。具体公式如下

这里j对应负样本（未观测到的），i对应正样本

BPR loss:使正样本与负样本之差尽可能最大