摘要

协同过滤（Collaborative Filtering, CF）是推荐系统领域中广泛研究的核心课题。CF模型的训练通常依赖于三个关键组成部分：交互编码器、损失函数以及负采样策略。尽管现有大量研究聚焦于设计更强大的交互编码器，但损失函数的选择与负采样比例的影响尚未得到充分探索。本文研究表明，损失函数的设计与负采样比例同样至关重要。具体而言，我们提出了一种余弦对比损失（Cosine Contrastive Loss, CCL），并将其集成至一个简洁统一的CF模型——SimpleX中。我们在11个基准数据集上进行了大量实验，并与总共29种现有的CF模型进行了对比。令人惊讶的是，实验结果表明，在采用我们提出的CCL损失函数并配合较大的负采样比例时，SimpleX在性能上显著超越了多数复杂的先进模型（例如，在NDCG@20指标上相较LightGCN最高提升达48.5%）。我们相信，SimpleX不仅可作为一项简洁而强大的基线方法，推动未来协同过滤领域的研究发展，同时也为优化损失函数与负采样策略提供了新的研究方向。相关源代码将公开发布于 https://reczoo.github.io/SimpleX。