【论文阅读】BPR: Bayesian personalized ranking from implicit feedback

Rendle S, Freudenthaler C, Gantner Z, et al. BPR: Bayesian personalized ranking from implicit feedback[C]//Proceedings of the twenty-fifth conference on uncertainty in artificial intelligence. AUAI Press, 2009: 452-461.

• bpr 这篇论文是在08年左右被提出来的，它的全称叫做贝叶斯个性化排序，此方法的提出主要是针对当时的TOPN推荐任务，当时的TOPN推荐任务主要是取预测评分的TopN来进行推荐，而这些预测评分基本上都是利用前面提及到的通过降低实际值与预测值之间的最小平方差而求到的，而事实上，这样求出来的预测评分高低并不能代表用户心目中的一个排序的高低！这样的排序是没有用的，所以你会看到即使我们的RMSE等指标都很好，但是准确率以及召回率等TopN评价指标都很低。
• 所以作者提出的BPR专门针对TopN的排序任务，训练也是训练排序而不是训练预测评分值，那么怎么样去操作呢？作者提出了以下假想，他提出如果你面对 i 物品和 j 物品的时候选择了 i 物品，则表示相对于 j 物品来说，你更喜欢 i 物品。所以我们的做法是在训练的时候加大用户对 i 物品的喜欢程度和对 j 物品喜欢程度的一个差值，并且这个差值越大越好。
• 上面的公式是bpr的通用公式，可以把它套在任何一个现存的方法上进行训练。

• 这就是bpr套上MF进行梯度下降训练的一个公式。（虽然我并不知道公式是怎么推出来的，但是我会直接用啊）