推荐系统优化实战：如何用BPR损失函数解决隐式反馈排序问题

1次阅读

没有评论

共计 1610 个字符，预计需要花费 5 分钟才能阅读完成。

在推荐系统中，用户的显式反馈（如评分、点赞）往往非常稀少，而隐式反馈（如点击、浏览、购买）则相对丰富。但隐式反馈数据存在两个主要问题：

正样本稀疏：用户只与极少部分物品有交互
负样本缺失：未交互的物品不一定代表不喜欢，可能是用户没发现

传统的 Pointwise 方法（如交叉熵损失）假设所有未交互的物品都是负样本，这会导致模型过度惩罚潜在的正样本。

BPR 的核心思想是：对一个用户 u，他交互过的物品 i（正样本）应该比未交互的物品 j（负样本）有更高的预测分数。其优化目标是最大化后验概率：

[\prod_{u,i,j} P(i >_u j) ]

其中三元组 (user, 正样本, 负样本) 的构造逻辑是：

对每个用户 u，选择一个他交互过的物品 i
从用户未交互的物品中随机采样一个物品 j
确保模型对 (u,i) 的预测分数高于(u,j)

损失函数定义为：

[\text{BPR Loss} = -\sum_{(u,i,j)} \ln \sigma(\hat{x}_{uij}) + \lambda|\Theta|^2 ]

其中[\hat{x}{uij} = \hat{x} ]，σ 是 sigmoid 函数。} – \hat{x}_{uj

import torch
import torch.nn as nn
import numpy as np

class BPRLoss(nn.Module):
    def __init__(self, lambda_reg=0.01):
        super().__init__()
        self.lambda_reg = lambda_reg

    def forward(self, user_emb, pos_emb, neg_emb):
        # 计算正负样本得分差
        pos_scores = torch.sum(user_emb * pos_emb, dim=1)  # [batch_size]
        neg_scores = torch.sum(user_emb * neg_emb, dim=1)
        diff = pos_scores - neg_scores

        # 计算 BPR 损失（加 1e-10 防止数值溢出）bpr_loss = -torch.mean(torch.log(torch.sigmoid(diff) + 1e-10))

        # L2 正则化
        reg_loss = self.lambda_reg * (torch.norm(user_emb, p=2) + 
            torch.norm(pos_emb, p=2) + 
            torch.norm(neg_emb, p=2)
        )
        return bpr_loss + reg_loss

# 负采样示例（热度加权）def weighted_negative_sampling(items, popularities, n_samples):
    probs = popularities / popularities.sum()
    return np.random.choice(items, size=n_samples, p=probs, replace=False)