BPR LOSS

最新推荐文章于 2024-11-28 18:42:42 发布

振衣啊

最新推荐文章于 2024-11-28 18:42:42 发布

阅读量2.1w

点赞数 6

分类专栏： Loss'

原文链接：https://blog.csdn.net/ch_609583349/article/details/88308700

版权

Loss' 专栏收录该内容

1 篇文章

订阅专栏

bpr loss

BPR LOSS

BPR LOSS

BPR Loss是用得比较多的一种raking loss。它是基于Bayesian Personalized Ranking。BPR Loss 的思想很简单，就是让正样本和负样本的得分之差尽可能达到最大。具体公式如下：
在这里插入图片描述

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

振衣啊

关注关注

6
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

BPR损失函数：基于排序的损失函数

CodeWOW的博客

09-26

1128

【RS样本选择与构造】正负样本的选择 | 负采样 | pointwise、pairwise、listwise

发现问题，并解决问题，批判性思维

07-07

2806

如P(D=1∣w,c)P(D=1 \mid w, c)P(D=1∣w,c)表示c和w共现的概率P(D=1∣w,c)=σ(vw⋅vc′) P(D=1 \mid w, c)=\sigma\left(v_{w} \cdot v_{c}^{\prime}\right) P(D=1∣w,c)=σ(vw⋅vc′)为了得到每个单词的高质量稠密embedding（相似上下文的单词的vector应该相似），word2vec是通过一个滑动窗口的滑动，同时计算P(wt+j∣wt)P\left(w_{t+j} \mid w_{

参与评论您还未登录，请先登录后发表或查看评论

推荐系统笔记（一）：BPR Loss个性化推荐

热门推荐

qq_46006468的博客

07-26

1万+

qq_45175218的博客

01-25

2924

3.1数据集的构建与处理 3.1.1将用户的评分显式反馈转换为隐式反馈作者是在MovieLens数据集和Pinterset数据上进行实验验证，我们在实验中只选择了MovieLens。在我的代码实现中，有记录的为交互过，记录为1，没有记录为未交互，记为0，核心代码如下。这个我的理解是，在rating表中，记录的是交互记录，那么user-item的笛卡尔积减去这些交互记录，就是没有交互记录， 3.1.2添加样本： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zNOpVEut-

L_goodboy的博客

10-24

3984

推荐系统中BPR损失及对应的AUC计算

beginerToBetter的博客

08-21

6340

AUC: AUC是而分类模型中使用的主要离线评测指标，其不关注具体的得分，只关注排序结果。 AUC指标有两种解释方法： 1.“曲线下面积” 2.排序能力（若AUC=0.7,则可理解为：给定一个正样本和一个负样本，在70%的情况下模型对正样本的打分高于对负样本的打分，在这个解释下我们关心的只有正负样本之间分数的高低而具体的分值无关紧要） BPR损失：该损失考虑用户物品交互中的可观察项和不可观察项的相对顺序，BPR假定更能反映出用户偏好的可观察项的交互相较于那些不可观察项来说应该赋予高的预测值关键代码

BPR损失函数

进一步有进一步的欢喜~

06-14

1074

BPR（Bayesian Personalized Ranking）损失函数是一种用于学习推荐系统中用户个性化偏好的损失函数

Loss函数

weixin_39586997的博客

06-22

1089

1.BCE Loss import torch.nn as nn sigmoid = nn.Sigmoid() loss = nn.BCELoss() final_loss = loss(output, label)

推荐系统_各种方法的损失计算过程

qq_40341502的博客

06-30

1368

推荐系统损失计算

推荐系统损失函数

qq_40341502的博客

07-14

1614

推荐系统损失函数

【搜索/推荐排序】Pairwise:BPR

weixin_40485502的博客

04-20

788

1.BPR 1.1 做法构建样本对假设背后是某个常见模型：如MF 排序对成立情况下倒推U/V向量，计算UV乘积，得到完整评分矩阵矩阵分解：Xˉ=WHT\bar{X}=WH^TXˉ=WHT 贝叶斯：P(θ∣>u)=P(>u∣θ)P(θ)P(>u)P(\theta|>_u)=\frac{P(>_u|\theta)P(\theta)}{P(>_u)}P(θ∣>u)=P(>u)P(>u∣θ)P(θ) <u,i,j> :P(i&gt

Pytorch-Triplet_loss:用Pytorch实现三重损失

05-16

派托克三重损失用Pytorch实现三重损失

BPR损失函数介绍

CSDN 精品推荐

03-22

2458

BPR (Bayesian Personalized Ranking)是一种常见的推荐算法，常用于推荐系统中的物品排序问题。BPR损失函数是一种用于训练BPR模型的损失函数，可以帮助模型学习到适合用户的物品排序。

ML_BPR小结

Davidmvp的博客

08-11

582

本文参考文献刘建平：https://www.cnblogs.com/pinard/p/9128682.html 论文来源：https://yun.baidu.com/share/link?shareid=2431171172&uk=1009675359&errno=0&errmsg=Auth%20Login%20Sucess&&bduss=&s...

推荐系统之BRP损失函数设计

qq_40341502的博客

05-15

1105

1:将封装好的interaction数据放在损失函数里面，计算损失。 losses = loss_func(interaction) interaction值为： The batch_size of interaction: 2048 user_id, torch.Size([2048]), cpu, torch.int64 item_id, torch.Size([2048]), cpu, torch.int64 rating, torch.Size([2048]), cpu, torch.float3

深度学习基础----损失函数：BCELoss，BCEWithLogitsLoss，BPRLoss，TOP1Loss

weiwei935707936的博客

11-06

6526

BCELoss： CE和BCE：CrossEntropy。 B：binary，即用于二分类问题输入： Sigmoid：目标：损失函数： BCEWithLogitsLoss：就是把Sigmoid-BCELoss合成一步 BPRLoss：推荐系统领域有两个问题：Raking和Rating Ranking：Top-N的推荐 Rating：预测物品打分最新研究都是做排序的：排序比较贴近实际评分...

深度学习——损失函数与BP算法

JOKER_WJ的博客

11-28

953

损失函数、bp算法

paddle 基础函数 loss 函数

Tak-Wah Blog

10-10

2358

（1）bpr_loss：https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/layers_cn/bpr_loss_cn.html （2）center_loss：https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/layers_cn/center_loss_cn.html （3）dice_loss：https://www.paddlepaddle.org.cn/doc

推荐系统_常见的推荐系统架构构造

qq_40341502的博客

06-11

765

推荐系统

bpr损失

最新发布

03-30

### BPR Loss Function 的概念 BPR（Bayesian Personalized Ranking）是一种广泛应用于推荐系统的优化目标函数。其核心思想在于通过最大化正样本相对于负样本的概率来提升模型性能[^2]。具体而言，BPR的目标是最小化用户对不同物品之间偏好顺序的错误预测概率。假设对于某个用户 \( u \)，存在两个物品 \( i \) 和 \( j \)，其中 \( i \) 是用户交互过的正样本，而 \( j \) 则是没有交互过的负样本，则期望模型能够学习到 \( f(u,i) > f(u,j) \)[^3]。这里的 \( f(u,x) \) 表示用户 \( u \) 对于物品 \( x \) 的评分或者兴趣程度估计值。为了实现这一目的，BPR采用了基于梯度下降法的学习策略，并设计了一个专门针对排名问题的损失函数： \[ L_{BPR} = -\sum_{u}\sum_{i \in I_u^{+}}\sum_{j \in I_u^{-}} \ln(\sigma(f(u,i)-f(u,j))) + \lambda ||\Theta||^2 \] 上述公式中的每一项含义如下： - \( L_{BPR} \): 总体损失； - \( \sigma(x)=\frac{1}{1+\exp(-x)} \): Sigmoid激活函数，用来计算两者的相对得分差异转化为概率形式； - \( I_u^{+},I_u^{-} \): 用户\( u \)分别对应的已知喜好项目集合与未接触过可能不喜欢项目的候选集； - \( \lambda ||\Theta||^2 \): 正则化项防止过拟合；此公式的直观意义即为尽可能拉大每一个正面实例同负面实例之间的差距，从而提高整体排序质量。 ### Python 实现代码示例以下是利用PyTorch框架的一个简单版本BPR损失函数实现方式: ```python import torch from torch import nn class BPRLoss(nn.Module): def __init__(self, reg_weight=0.01): super(BPRLoss, self).__init__() self.reg_weight = reg_weight def forward(self, pos_scores, neg_scores, user_embeddings=None, item_pos_embeddings=None, item_neg_embeddings=None): """ Args: pos_scores (Tensor): Shape of [batch_size], positive items' scores. neg_scores (Tensor): Shape of [batch_size], negative sampled items' scores. user_embeddings (Tensor), item_pos_embeddings (Tensor), item_neg_embeddings (Tensor): For regularization. Returns: Tensor: bpr loss value. """ loss = -torch.mean(torch.log(torch.sigmoid(pos_scores - neg_scores))) if user_embeddings is not None and item_pos_embeddings is not None and item_neg_embeddings is not None: reg_loss = self.reg_weight * ( torch.norm(user_embeddings)**2 + torch.norm(item_pos_embeddings)**2 + torch.norm(item_neg_embeddings)**2 ) loss += reg_loss return loss ```