Comments (8)
这个公式为 hinge loss,优化时会拉近两个 z 之间的距离,也就是拉近两个用户间的交互相似度和社交相似度,从而消除社交视图的噪声。
from dsl.
如果两个用户之间交互相似度很低(即没有公共交互偏好),要使得该损失函数减小,不应该对应社交相似度变高吗?这不是矛盾了吗?抱歉,我没有理解。
from dsl.
因为您加了sigmoid函数,因此用户之间相似度肯定是正数。
from dsl.
在本文中,\hat z 与 z 是两个向量,他们的乘积表示这两个向量的相似度。要使得损失函数变小,则 \hat z 与 z 乘积对应增大,表示这两个向量的相似度变大,相当于拉近两个用户间的交互相似度和社交相似度。
from dsl.
但是您论文中和代码实现\hat z 与 z 都是一个数字🤔,如果是数字的话lable 是-1和1才能用hinge loss 吧。
from dsl.
- 不管用户间交互相似度的大小如何,要使得该损失函数减小,对应的社交相似度都会变高。但当某对用户间交互相似度低的时候,其社交相似度的优化梯度会较低;反之,社交相似度的优化梯度会较高。是通过这种方式来进行优化的。
- 在函数图像上,BPR Loss 比 Hinge Loss 更加平滑。我们也尝试过 BPR Loss,但实验效果较差。
from dsl.
“不管用户间交互相似度的大小如何,要使得该损失函数减小,对应的社交相似度都会变高”,按照这个说法,当用户间没有相似的兴趣偏好时,交互相似度小,社交相似度高,这本身就是矛盾的啊?和优化梯度大小有什么关系呢?
from dsl.
优化梯度可以从对变量求偏导理解。要使得该损失函数减小,当 z 很小时,\hat z 增大的程度小,优化梯度小;当 z 很大时,\hat z 增大的程度大,优化梯度大。
from dsl.
Related Issues (9)
- 请教有关论文中的问题 HOT 2
- 损失函数相关问题 HOT 1
- 关于测试集划分的问题 HOT 4
- 数据集处理 HOT 4
- Question about Model Robustness Evaluation HOT 3
- 数据集问题 HOT 1
- 关于SMIN baseline结果的问题 HOT 7
- 关于调参 HOT 2
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from dsl.