Наткнулся на годную статью про UltraGCN (Ultra Graph Convolutional neural Networks)

Краткая вводная
Недавно стали очень популярны графовые нейронки (часто реализовываются через GCN) в задаче персональных рекомендаций. Единственная проблема - они дико долго обучаются по сравнению с тем же ALS

Что интересного в статье
В статье показано, что UltraGCN - это, по сути, ALS с другим лоссом, который накладывает регуляризацию на основе информации из графов связей пользователи-товары и товары-товары

То есть можно просто учить перемножение двух векторов (примерно как в ALS), но с другим лоссом - и вы уже получите новомодную SOTA модель из графовых нейронок! Это же просто🔥

Мои мысли
Я сделал еще пару выводов из этой статьи:
1. Зачастую важен совсем не тот алгоритм/модель, которым вы решаете задачу. А важно правильно выбрать, какую задачу вы решаете (~лосс). На практике я видел этому очень много подтверждений
2. К сожалению, очень мало рисерчей / образовательного контента про лоссы / метрики / задачи в data science

Поэтому решил, что пару слудеющих постов я напишу о лоссах и метрикам в ML-моделях. И каким образом их "правильно" подбирать под каждую ML-задачу. Как говорится, "Stay tuned" 💪