• CF三大块：交互Encoder、损失函数、负采样

• 本文提出余弦对比损失，整合到一个简单的统一的CF模型—SimpleX

个人认为亮点在损失函数上，模型大道至简，表现很好；但是拿CCL和BPR比 相当于对于每个正样本pair，使用了更多（采样数量）并且权重不等（margin）的负样本，类似于阿里的EBR（21kdd）中提到softmax优于pairwise

2 BACKGROUND AND RELATED WORK

2.1 CF 定义

• 交互Encoder，目的是学习到用户和物品的嵌入*（这篇文章的Encoder默认是基于表示的CF中的Encoder，不是说基于u-i匹配函数中的交互函数）*
• 损失函数
• 负采样

2.2 代表性CF工作总结

• 基于矩阵分解
• 基于自编码器
  • Q：为啥说这类模型适合inductive recommendation呢？从一组用户中学习模型，在另一组用户上进行推荐
• 基于图
• 其他

3 SIMPLEX

3.1 余弦对比损失

• BPR loss、binary cross-entropy、softmax cross-entropy 、pairwise hinge loss

本文提出CCL，一个正样本pair(u,i)，$|N|$ 个负采样&