BCELoss：
- CE和BCE：CrossEntropy。 B：binary，即用于二分类问题
- 输入：
讯享网
- Sigmoid：
- 目标：
- 损失函数：
BCEWithLogitsLoss：
- 就是把Sigmoid-BCELoss合成一步
BPRLoss：
- 推荐系统领域有两个问题：Raking和Rating
- Ranking：Top-N的推荐
- Rating：预测物品打分
- 最新研究都是做排序的：
- 排序比较贴近实际
- 评分预测最后训练的模型会遇到过拟合问题（即，最后预测的评分都是一样的）
- 损失函数思想：让正样本和负样本之间的得分之差尽可能地大
- 公式：
TOP1Loss：
- 一种启发式的组合损失函数
- 第一部分旨在将目标分数提升到样本分数以上
- 第二部分则将负样本的分数降低到零。第二部分其实就是一个正则项，但是并没有直接约束权重，它惩罚了负样本的得分。因为所有的物品都有可能作为某一个用户的负样本。
参考博文：https://blog.csdn.net/_/article/details/
https://blog.csdn.net/ch_/article/details/
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/63075.html