title：Learning Explicit User Interest Boundary for Recommendation link：https://arxiv.53yu.com/pdf/2111.11026.pdf from：WWW 2022
1. 导读
本文是一篇简单，有意思的文章，通常推荐系统里主要采用两种损失函数point-wise和pair-wise，point-wise方法使得每个样本与其标签分别匹配，这在实例级别的加权和采样方面是灵活的，但忽略了固有的排序特性；而pair-wise能更好的反应样本之间的先后关系。但是这两种该方式难以显式地提供个性化的决策边界，以确定用户是否对看不见的商品感兴趣。作者考虑用户兴趣边界，将point-wise和pair-wise结合，利用二者的优势产生个性化的决策边界并提高效果。
对两类损失函数比较熟悉的可以直接跳到第3小节，以下为三类损失函数的比较
2. 基础
用户集为U，商品集为X，可能的交互集合表示为T=U × X，其中被观察到的交互被认为是真实交互历史
,
，1表示交互是正的（
），0表示负样本（
）。建模的目标是学习一个打分函数s反映用户对商品的偏好。
2.1 Point-wise Loss
point-wise的损失函数通常采用交叉熵损失函数等，主要用于计算预测的偏好分数与真实点击标签之前的损失，可以表示为下式，其中
表示交叉熵损失函数等，s()表示打分函数，l()表示标签。
2.2 Pair-wise Loss
pair-wise损失函数用于计算先后关系，例如正样本的打分需要比负样本高，其中包含了排序性。具体公式如下，其中φ表示BPR损失，边距损失等。
3. 混合损失
这部分进行了总结，详细可见论文第三节。
结合上述的两类损失函数，本文提出了将两者结合的混合损失函数，以此自适应的匹配用户的兴趣。通过引入辅助分数b_u反应用户的边界兴趣。公式如下，其中
表示用户u的embedding，W为可学习向量。
损失函数如下，主要包含Lp和Ln。其含义是对跨过边界（分数低于边界）的正样本做出惩罚，以及对于分数高于边界的负样本做出惩罚，α为超参数。
该损失可以看作是point-wise和pair-wise的混合损失。一方面，point-wise损失通常会优化每个样本以匹配其标签，这是灵活的，但不适合与排名相关的任务。另一方面，pair-wise损失取一对正样本和负样本，然后对模型进行优化，使其得分有序，包含排序信息，但存在梯度消失问题。混合损失通过辅助分数将两者结合，一方面，正负样本之间的分别优化的，即符合point-wise，灵活优化每个样本；另一方面，通过引入辅助分数，使整个损失函数中包含了前后排序关系。
- Q：为什么能个性化？
- A：边界是根据每个用户embedding学的，即每个用户的边界都是自适应的
- Q：α的作用？
- A：通常正样本是观察到的样本，而负样本时未观察到的样本中采样得到，样本数通常不平衡。α可以起到缓解不平衡性的作用，并且不同的α值可以对正负样本的得分空间进行约束（边界靠近正样本或负样本），从而扩大或者压缩两类样本的得分空间。
4. 结果
不同方法对应的损失函数
离线结果
