Paper: https://arxiv.org/ftp/arxiv/papers/1205/1205.2618.pdf
PR113 Facebook group: https://www.facebook.com/groups/565858127904979
1. (2009년 기준)기존 MF, kNN 모델같은 경우 pointwise loss만 사용함
- Implicit data에서 0은 negative, unknown 중 하나인데 이를 고려하지 않고 모두 negative 취급
- Pairwise loss를 사용해서 최소한 implicit data 내 0과 1 사이의 ranking은 확실하게 매길 수 있도록 하자!
- 이러면 나중에 inference 단계에서 unknown item 간 ranking도 매길 수 있을 것
- Personalized total ranking의 3가지 properties 참고
2. MLE에서 bayesian 관점으로 BCE까지 끌어내듯이, 비슷한 관점에서 pairwise loss를 정의함
- 앞서 언급한 personalized total ranking의 properties 덕분에 조금 더 깔끔해짐
- 추천에서 벗어나 좀 더 근본적인 수식 이해를 하고 싶다면,
- http://sanghyukchun.github.io/58/
- https://hyunlee103.tistory.com/12 등등 참고!
- Model에서 (user - positive item - negative item) 간 관계를 정의할 수 있다면 BPR loss를 사용할 수 있음
3. Pointwise loss를 쓴 WR-MF나 k-NN보다 BPR loss를 사용한 MF, k-NN이 훨씬 성능이 좋다!