【GCN-RS】Learning Explicit User Interest Boundary for Recommendation (WWW‘22)

Learning Explicit User Interest Boundary for Recommendation (WWW’22)

Pointwise loss:
$$\mathcal{L}=\sum _{(u,x)\in \mathcal{T}}\psi (s(u,x),l(u,x))$$
Pairwise loss:
$$\mathcal{L}=\sum _{(u,p)\in I}\sum _{(u,n)\notin I}\varphi (s(u,n)-s(u,p))$$
混合损失：
$$\mathcal{L}=\underset{L_p}{\underbrace{\sum _{(u,p)\in \mathcal{I}}\varphi \left(b_u-s(u,p)\right)}}+\underset{L_n}{\underbrace{\alpha \sum _{(u,n)\notin I}\varphi \left(s(u,n)-b_u\right)}}$$

$$b_u=W^T{P}_u,\varphi :MarginLoss或LnSigmoid$$

也可以看作一种debias的方法，$b_u$ 是一个标量，只和user embedding有关，所以对于popularity bias大的用户，s往往都很大，这个时候给他限定一个比较高的margin值，相当于设定一个动态的margin loss。

还有一种可能，优化正样本loss $L_p$，会增大正样本分数 $s(u,p)$，减少边界分数 $b_u$，所以 $b_u$ 在loss里可以看作是一种针对高频user的惩罚正则化。