论文标题:
A Gain-Tuning Dynamic Negative Sampler for Recommendation
论文链接:
http://playbigdata.ruc.edu.cn/dou/publication/2022_WWW_Negative_Sampler.pdf
本文是针对负样本采样过程中可能采样到假阴性样本的问题提出的相关方法,现有的方法通常侧重于保持具有高梯度的难负样本进行训练,导致优先选择假负样本。假阴性噪声可能导致模型的过拟合和较差的泛化性。为了解决这个问题,本文提出了一种增益调整动态负采样方法 GDNS。
-
设计了一个期望增益采样器,该采样器涉及用户对训练中正负样本之间偏好差距的期望,以动态指导负选择。可以有效地识别假负样本并进一步降低引入假负实例的风险。 -
为了提高训练效率,在每次迭代中为每个用户构建正负组,并开发一个分组优化器以交叉方式优化它们。
评论
沙发等你来抢