链接：https://arxiv.org/abs/2208.02971

在大规模推荐场景中，针对资源有限的情况下准确地检索出前N个相关的候选者是至关重要的。为了评估这类检索模型的性能，Recall@N，即在前N个排名中检索到的正样本的频率，其已被广泛使用。然而，大多数应用在传统检索模型的损失函数，如softmax交叉熵、triplet loss和成对对比损失，并不能直接优化Recall@N这一指标。此外，那些传统的损失函数不能针对每个应用所需的特定检索规模N进行定制，因此可能导致性能的提升是有限的。

假设商品是从用户-商品集合中提取的正样本，商品是用户𝑢的负样本集合。针对于分类任务的softmax 交叉熵损失函数如下：

针对于成对排序任务的bpr损失函数如下：

针对于包含边界的成对排序任务的triplet损失函数如下：

然而，上述损失函数没有直接考虑召回指标的建模。针对以上问题，本文提出了一种可定制的Recall@N优化损失（ROLoss），其是一个可以直接优化Recall@N指标的损失函数，并且可以针对不同的𝑁进行定制。另外，所提出的CRLoss定义了一个更普遍的损失函数空间，涵盖了大多数传统的损失函数的特例。通过在两个公共基准数据集上评估CRLoss。结果表明，在两种数据集的检索规模N的不同选择下，CROLoss比传统损失函数取得了SOTA的结果。CROLoss已经被部署到在线电子商务广告平台上，为期14天的在线A/B测试表明，CROLoss带来了4.75%的业务收入的大幅增长。

本文基于被广泛使用的双塔召回模型作为其基本模型。

在本文中，首先以成对样本比较的形式重写Recall@N指标（从公式5-7）。通过利用成对比较核函数𝜙，该目标函数被导出为可微的损失函数空间。

另外还引入了一个权重函数，以允许此损失函数可定制为不同的选择𝑁。

此外，可以证明，所提出的交叉损失函数空间涵盖了传统的交叉熵损失、三元组损失和bpr损失。

此外，通过分析交叉损失的梯度，发现比较核函数𝜙起着两种不同的作用。

为了进一步改进这个损失函数，其开发了Lambda方法，这是一种基于梯度的方法，允许为这两个角色选择不同的内核𝜙1和𝜙2，并进一步提高系统性能。

以下为所提损失函数与交叉熵损失、三元组损失、bpr损失的实验对比结果。