bpr_loss¶

paddle.fluid.layers. bpr_loss ( input, label, name=None ) [源代码] ¶

贝叶斯个性化排序损失函数（Bayesian Personalized Ranking Loss Operator ）

该OP属于pairwise类型的损失函数。损失值由下式计算而得:

\[Y[i] = 1/(N[i] - 1) * \sum_j{\log(\sigma(X[i, Label[i]]-X[i, j]))}\]

其中：

\(X\) ：输入值，一个形为[T x D]的2-D Tensor, 此处为logit值。
\(N[i]\) ：在时间步i的正例和负例的总和。
\(Label[i]\) ：在时间步i的正例下标。
\(\sigma\) ：激活函数。
\(Y\) ：输出值，一个形为[T x 1]的2-D Tensor。

更多细节请参考 Session Based Recommendations with Recurrent Neural Networks

参数¶

input (Variable) - 形为[T x D] , Tensor类型时T为batch大小，LoDTensor类型时T为mini-batch的总时间步。D 为正例加负例的个数。该输入为logits而非概率。数据类型是float32或float64。

label (Variable) - 形为[T x 1]，表示input中正例的下标，数据类型为int64。。

name (None|str) – 该参数供开发人员打印调试信息时使用，具体用法请参见 Name ，默认值为None。

返回¶

形为[T x 1]的2D张量，数据类型同input相同，表示bpr损失值。

返回类型¶

Variable

代码示例¶

          import paddle.fluid as fluid

neg_size = 3
# label=[0]
label = fluid.layers.data(
          name="label", shape=[1], dtype="int64")
# predict = [0.1, 0.2, 0.3, 0.4]
predict = fluid.layers.data(
          name="predict", shape=[neg_size + 1], dtype="float32")
# bpr_Loss : label [0] 表示predict中下标0表示正例，即为0.1, 负例有3个为0.2,0.3,0.4
cost = fluid.layers.bpr_loss(input=predict, label=label)

         