从正无标签隐式反馈中消除偏差的成对学习
摘要：从成对比较中学习对比表示在自然语言处理、计算机视觉和信息检索等各个领域取得了显着的成功。基于成对学习的协同过滤算法也源于这一范式。一个重要的问题是，隐式反馈数据中缺少负实例的标签，这往往导致随机选择的负实例包含错误的负实例，进而产生有偏的嵌入。为了解决这个问题，我们引入了一种用于采样偏差校正的新方法，该方法产生了一种名为去偏差成对损失（DPL）的修改损失函数。DPL的关键思想是校正由错误的负实例造成的有偏概率估计，从而校正梯度以近似全监督数据的梯度。DPL的实施只需要对代码进行小的修改。对五个公开数据集的实验证明了所提出的学习方法的有效性。
作者：Bin Liu and Qin Luo and Bang Wang
论文ID：2307.15973
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-01