嘿,记得给“机器学习与推荐算法”添加星标
本文分享一篇SIGIR’21的推荐系统文章:基于排序的推荐系统度量优化新视角。
论文下载地址:https://arxiv.org/pdf/2106.02545.pdf
动机
直接优化信息检索常用指标已经成为设计基于排序的推荐系统的一种有前景的方式。现有的大多数方法认为直接优化评测所用指标会得到更好的性能。但是,另一部分研究认为这样一种假设存在问题。因此,本文中,作者针对优化指标的选取对于基于排序的推荐系统的性能影响进行研究。分别在pairwise和listwise learning to rank (LTR)场景下进行了大量的实验。通过四个数据集上的实验结果得到了以下观点:
使用同样的指标进行优化和评测基于排序的推荐系统并不总能得到最好的推荐性能。
基于RBP损失相较于其他评测指标总能获得最好的性能,RBP有望成为LTR推荐场景下可替代的损失。
基于RBP的listwise优化对于活跃用户性能提升大于非活跃用户。
方法
预备知识
假设用户数目为,物品数目为,交互矩阵为(本文考虑二元交互数据),任意一个用户都有个交互过的物品。本文采用矩阵分解模型作为推荐模型,其中用户和物品分别被隐因子矩阵和表示,其中是隐因子维度。利用用户和物品的隐向量得到预测矩阵,其中代表用户对物品的预测分数。因此排序位置为