.png){kind=icon}
返回
Revisiting Negative Sampling vs. Non-sampling in Implicit Recommendation
.png){kind=icon}
OA
AI
DOI：10.1145/3522672.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
推荐系统在缓解信息过载问题方面发挥着重要作用。通常，推荐模型被训练以辨别每个用户的正面 (喜欢) 和负面 (不喜欢) 实例。然而，在开放世界的假设下，只有积极的实例，而没有来自用户的内隐反馈的负面实例，这带来了缺乏负样本的不平衡学习挑战。为了解决这个问题，之前已经提出了两种类型的学习策略，负采样策略和非采样策略。第一种策略从缺失数据 (即未标记数据) 中采样负实例，而非采样策略将所有缺失数据视为负。尽管已知学习策略对于算法性能至关重要，但到目前为止，负采样和非采样的深入比较尚未得到充分探索。为了弥合这一差距，我们系统地分析了负面抽样和非抽样在这项工作中对隐式推荐的作用。具体来说，我们首先从理论上重新审视负抽样和非抽样的反对意见。然后，通过仔细设置各种代表性推荐方法，我们探索了负抽样和非抽样在不同情况下的性能。我们的结果从经验上表明，尽管负采样已广泛应用于最近的推荐模型，但统一采样方法显示出与非采样学习方法相当的性能并非易事。最后，我们讨论了负采样和非采样的可扩展性和复杂性，并提出了一些开放的问题和未来的研究课题，值得进一步探讨。
Keyword:
Recommender systems
non-sampling
negative sampling
implicit feedback
期刊
IF:
9.1
论文数:
1.2K
被引数:
4.7K
机构
引用论文
Conjugated heat transfer and temperature distributions in a gas turbine combustion liner under base-load operation基本负荷运行下燃气轮机燃烧衬里中的共轭传热和温度分布
PREAI
分享收藏Insurance activity and economic performance: Fresh evidence from asymmetric panel causality tests
OAAI
OAAI分享收藏Individual and combining effects of anti-RANKL monoclonal antibody and teriparatide in ovariectomized mice.png)
Bone ReportsOAAI
Bone ReportsIF0
OAAI分享收藏
查看更多内容