本文分享一篇发表在CIKM2022的关于一种推荐系统中检索模型的可定制损失函数，其将召回模型与Recall指标进行统一建模，并可以根据不同的检索规模进行自适应的优化。另外，其给出了所提出损失函数与其他经典损失函数（如交叉熵、成对损失以及三元组损失）的关系。
链接：https://arxiv.org/abs/2208.02971
在大规模推荐场景中，针对资源有限的情况下准确地检索出前N个相关的候选者是至关重要的。为了评估这类检索模型的性能，Recall@N，即在前N个排名中检索到的正样本的频率，其已被广泛使用。然而，大多数应用在传统检索模型的损失函数，如softmax交叉熵、triplet loss和成对对比损失，并不能直接优化Recall@N这一指标。此外，那些传统的损失函数不能针对每个应用所需的特定检索规模N进行定制，因此可能导致性能的提升是有限的。
假设商品是从用户-商品集合中提取的正样本，商品是用户
