博客

BCELoss：

• CE和
  
  B
  
  CE：CrossEntropy。
  
  B：binary
  
  ，即用于
  
  二分类问题
  

• 输入：
  

• 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/qq_22210253/article/details/85222093

https://blog.csdn.net/ch_609583349/article/details/88308700