Cardinality-Decomposed Loss: Matching Training Objectives to Relation Structure in Heterogeneous Recommendation Graphs
基数感知损失：解耦异质推荐图中一对多与一对一关系的训练目标
🧭 异质图推荐 · 基数感知损失 ★ 深度解读
PayPal AI · PayPal Inc.
在异质图中按关系基数分解损失——BPR给一对多，交叉熵给一对一——根治属性嵌入崩塌且不影响排名指标的无声失败
📌 工作参考价值（4 点）
- 按关系基数分配损失函数：在业务异质图（用户-商品+用户-属性/商品-属性）中，请检查每个边的基数特征。若为一对一（如性别、城市、离散分桶），则应用交叉熵（CE）而不用BPR；BPR只用于一对多（如点击、购买）。这能从根上防止属性嵌入的余弦相似度崩塌至0.9+。
- 低成本检测“无声失败”：固定周期用线性探针（逻辑回归）评估属性嵌入的可区分性（AUC），而非只看NDCG。若属性嵌入余弦相似度中位数>0.5，意味着几何结构崩溃而排名指标未必报警。
- λ 权衡与两轴框架：通过计算属性标签与物品共现的Jaccard相似度估算语义对齐，并检查属性节点是否直接相邻以判断拓扑泄漏。高语义对齐下λ=1.0可直接提升NDCG；低对齐但无泄漏时用λ扫描寻找帕累托前沿；有高泄漏时CDL仍改善排名与嵌入纯度。
- 共享编码器中的梯度冲突监控：在训练初期记录BPR与CE在共享参数上的梯度余弦相似度，若持续为负，则需增大λ使CE信号更强，避免过早早停。该信号可用于自适应λ调度。