有关问题的直觉是很好的-现在，我们仅存储了正面示例。这些是用户实际购买商品的情况。
在这种情况下，您应该使用排名损失函数。特别是当fastFM实施了贝叶斯个性化排名（BRP）时。此外，在大多数情况下，如果将结果以推荐的有序列表的形式呈现给用户，则应该考虑将推荐作为排名相关的问题。我们不像Netflix奖那样预测收视率（星级）。
BPR确实是一种简单明了的方法。但是要了解它，有一件事很重要- 我们不在乎估计y
值本身。什么是
重要的是，当我们使用这个排序输出估计的例子的顺序 。
因此，在学习阶段，必须准备正面和负面的例子。看合身法来自fastFM文档。为了得到负面的例子，最简单的方法是从所有可用的项集中获得随机的（均匀分布的）。您只能检查该随机示例是否实际上不是正数（除了正则化；-，我们不会从该示例中学到任何东西）。在大多数情况下，随机采样是非常有效的，因为您准备的正输入数据通常非常稀疏（例如，密度<1％）。但是，您可以尝试对否定示例进行其他抽样，例如：使用经验项分布。在某些情况下它可能会更好地工作，但是很有可能您的“长尾”将保持不变（这是我的经验）。或者，也许您了解有关您的数据的更多信息，可以在这里有所帮助:-)
