推荐系统中的pointwise和pairwise区别

 推荐系统中常用的两种优化损失函数的机器学习范式：pointwise loss和pairwise loss。

Pointwise 方法

 Pointwise方法是通过近似为回归问题解决排序问题，输入的单条样本为得分-文档，将每个查询-文档对的相关性得分作为实数分数或者序数分数，使得单个查询-文档对作为样本点(Pointwise的由来)，训练排序模型。预测时候对于指定输入，给出查询-文档对的相关性得分。

pairwise loss :
 最小化预测输出与目标值之间的平分损失，具体处理是在处理负样本时：把未观察到的实体（即user与item没有交互）当作负样本，或者从未观察到的实体中采样负样本。

Pairwise方法

 Pairwise方法是通过近似为分类问题解决排序问题，输入的单条样本为标签-文档对。对于一次查询的多个结果文档，组合任意两个文档形成文档对作为输入样本。即学习一个二分类器，对输入的一对文档对AB（Pairwise的由来），根据A相关性是否比B好，二分类器给出分类标签1或0。对所有文档对进行分类，就可以得到一组偏序关系，从而构造文档全集的排序关系。该类方法的原理是对给定的文档全集S，降低排序中的逆序文档对的个数来降低排序错误，从而达到优化排序结果的目的。

pairwise loss :
 最大化观察到的（即正样本）预测输出和未观察到的（负样本）的预测输出的边缘，表现为观察到的实体得分排名高于未观察到的实体。