数据挖掘 - 为什么在这两篇论文中，基于边际的排名损失被反转了？ - 吾爱随笔录

对于知识图完成，使用基于边际的排名损失是很常见的

在论文中：margin-based 排名损失定义为

min \sum_{(h, l, t) \in S} \sum_{(h^{'}, l, t^{'}) \in S^{'}} [γ + d (h, l, t) - d (h^{'}, l, t^{'})]_{+}

$\min \sum_{(h,l,t)\in S} \sum_{(h',l,t')\in S'}[\gamma + d(h,l,t) - d(h',l,t')]_+$

这里 $d(\cdot)$ 是预测模型， $(h,l,t)$ 表示正训练实例， $(h',l,t')$ 表示对应于 $(h,l,t)$ 的负训练实例。

但是，在 Andrew 的论文中，它定义了

min \sum_{(h, l, t) \in S} \sum_{(h^{'}, l, t^{'}) \in S^{'}} [γ + d (h^{'}, l, t^{'}) - d (h, l, t)]_{+}

$\min \sum_{(h,l,t)\in S} \sum_{(h',l,t')\in S'}[\gamma + d(h',l,t') - d(h,l,t)]_+$

似乎他们切换了 $d(h',l,t')$ 和 $d(h,l,t)$ 术语。

我的问题是

切换 $d(h',l,t')$ 和 $d(h,l,t)$ 是否重要？这真是奇怪的定义。谢谢