KDD'24 | 腾讯广告:深入理解推荐模型Ranking Loss 《Understanding the Ranking Loss for Recommendation with Sparse User Feedback》

在工业界CTR预估的相关优化中，BCE Loss加入辅助的Ranking Loss能够显著提升模型预估效果。但是关于其背后的原理，大多数研究仅从定性的角度分析，没有严格的理论证明。该篇论文从理论和实验两个方面论证了BCE Loss在加入Ranking Loss后为什么会有效果

这篇论文给出了解释：

1. BCE Loss在正样本稀疏的场景下，会出现负样本梯度消失的现象，不利于模型参数更新
2. 引入辅助的Ranking Loss有助于在负样本上产生更大的梯度，减轻了优化难度，进而获得更好的效果

 

参考资料

KDD 2024 | 稀疏用户反馈推荐系统中Ranking Loss的理解

KDD'24 | 腾讯广告:深入理解推荐模型Ranking Loss