PR-entmax：只改损失函数缓解序列推荐流行度偏差

PR-entmax 是一种面向序列推荐系统的损失函数，目标是在不改动模型架构的前提下缓解流行度偏差。报道称，该方法源自广义变分原理，把物品流行度先验直接嵌入稀疏概率映射，因此只需替换损失函数即可接入现有训练管线。推理阶段移除先验项，改按模型学到的相关性排序；训练中非零梯度只分配给上下文相关且流行度允许的物品。多个基准与架构上的实验显示，该方法在保持或提升相关性的同时持续降低流行度偏差。报道未给出具体数据集、指标数值与对比基线。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。