MCL: Mixed-Centric Loss for Collaborative Filtering (WWW’22)
Pointwise和pairwise损失函数挖掘的信息太少了，只是采样样本，然后更新权重
为了从可用的偏好信息中挖掘更多的信号，考虑了难样本和全局信息。
先采集难样本
E E E是欧式距离。
难正样本是指正样本的距离比 距离最小的负样本的距离减阈值 还要大的样本。
E u j > min k ∈ N u E u k − ϵ E_{u j}>\min _{k \in N_{u}} E_{u k}-\epsilon Euj>k∈NuminEuk−ϵ
难负样本是指负样本的距离比 距离最大的正样本的距离加阈值 还要小的样本。
E u k < max j ∈ P u E u j + ϵ E_{u k}<\max _{j \in P_{u}} E_{u j}+\epsilon Euk<j∈PumaxEuj+ϵ
混合中心loss (CML)
采集得到的正负样本集合分别为： P u s , N u s \mathrm{P}_{\mathrm{u}}^{\mathrm{s}}, \mathrm{N}_{\mathrm{u}}^{\mathrm{s}} Pus,Nus。在训练过程中，给定一个batch B（包含m个用户），定义损失函数：
L M C L = 1 α log [ 1 + 1 m ∑ u ∈ B ∑ j ∈ P u s e
最低0.47元/天 解锁文章
472
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
