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
- 评分预测最后训练的模型会遇到过拟合问题(即,最后预测的评分都是一样的)
- 损失函数思想:让正样本和负样本之间的得分之差尽可能地大
- 公式:
TOP1Loss:
- 一种启发式的组合损失函数
- 第一部分旨在将目标分数提升到样本分数以上
- 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。
参考博文:https://blog.csdn.net/qq_22210253/article/details/85222093