编译 | 汪昊
审校 | 重楼
推荐系统能够给亚马逊和 TikTok 每年带来 30% - 40% 的流量或者销售额增量，因此毫无疑问，推荐系统是互联网和科技公司的摇钱树。许多懵懂青年在上大学或者刚工作的时候，非常向往从事互联网推荐行业。一方面，趋之若鹜的人才极大地推动了领域的发展；另一方面，该领域的发展给相关人才带来了丰厚的回报。
在刚刚过去的2023 年的推荐系统领域权威会议 RecSys 2023 上，一篇题为 gSASRec: Reducing Overconfidence in Sequential Recommendation Trained with Negative Sampling 的论文（下载地址：https://arxiv.org/pdf/2308.07192.pdf）获得了最佳论文奖。
作者首先回顾了过度自信问题的由来：在负采样的过程中，推荐系统中的正样本的比例通常会增加。这一现象，就是所谓的过度自信问题。过度自信问题会带来如下隐患：1. 推荐系统偏重区分特别好和特别差的推荐，而差别不那么大的推荐结果得不到重视；2. 在某些情况下会导致严重的数值错误。我们在实际中发现，SASRec 算法会出现过度自信问题。并且常见的解决方案很难在深度学习的场景下适用。
基于 Transformer 的推荐算法通常在序列推荐的场景下表现更优。在这一领域，BERT4rec 和 SASRec 是两款经典算法。
两个最常用的序列推荐的损失函数是 BCE (Binary Cross Entropy) 和 Softmax Loss。BCE 的损失函数定义如下：
其中：
Softmax Loss 的定义如下：
其中：
Softmax Loss 不适合负采样场景下的推荐系统。因此有学者提出了 Sampled Softmax Loss :
过度自信是指预测中物品出现的概率高于其先验分布。下图对比了几种算法的过度自信程度：
通过观察，可以发现 SASRec 算法有严重的过度自信问题。
因为高频率的物品会导致 BCE 数值计算发生错误，因此作者定义了新的gBCE （generalized BCE）指标：
作者证明了一列 gBCE 防止过度自信的定理，此处因为篇幅原因，不再罗列相关的定理。感兴趣的读者可以自行查阅原始论文。作者基于新的损失函数设计了推荐系统，被命名为 gSASRec 算法。作者随后进行了对照实验，该算法取得了优异的效果：
这篇论文的核心在于证明了利用新的损失函数，可以得到缓解过度自信问题的若干定理，因此可以保证我们在使用新的损失函数设计算法之后，取得了远远优于先前推荐的效果。
这篇论文看似简单，但是作者在数学理论基础推导方面下足了功夫，是难得一见的好文章。值得读者认真收藏，细细品味。
作者介绍
汪昊，前 Funplus 人工智能实验室负责人。曾在 ThoughtWorks、豆瓣、百度、新浪等公司担任技术和技术高管职务。在互联网公司和金融科技、游戏等公司任职 13 年，对于人工智能、计算机图形学、区块链和数字博物馆等领域有着深刻的见解和丰富的经验。在国际学术会议和期刊发表论文39 篇，获得IEEE SMI 2008 最佳论文奖、ICBDT 2020 / IEEE ICISCAE 2021 / AIBT 2023 / ICSIM 2024最佳论文报告奖。
