边缘损失函数

ℓ = max ⁡ { 0 , α − ( τ ( V l ) − τ ( V o ) ) } \ell=\max\left\{0,\alpha-(\tau\left(\mathcal{V}_{l}\right)-\tau\left(\mathcal{V}_{o}\right))\right\} ℓ=max{0,α−(τ(Vl​)−τ(Vo​))}，
可以成为边缘排名损失(margin-based ranking loss)，鼓励某类节点的评分高于另一类节点。

• $\tau \left({\mathcal{V}}_l\right)$可以理解为表示正类节点集的某种评分
• $\tau \left({\mathcal{V}}_o\right)$可以理解为表示负类或其他对比集合的评分
• $\alpha$可以理解为预设的最小差距margin，控制两类评分之间应该有的最小区分度
• max{0， }表示使用的是ReLU形式的hinge loss，当内部值为负才会产生损失，否则损失为0.

直观上，$\tau \left({\mathcal{V}}_l\right)-\tau \left({\mathcal{V}}_o\right)$代表了正类与负类的差距，显然希望这个差距大于等于$\alpha$， 所以希望的是$\alpha -\left(\tau \left({\mathcal{V}}_l\right)-\tau \left({\mathcal{V}}_o\right)\right)<0$，即$\tau \left({\mathcal{V}}_l\right)-\tau \left({\mathcal{V}}_o\right)\ge \alpha$，即正类的评分比负类高至少$\alpha$，否则就回产生损失，损失大小就是未满足差距的部分，
例如$\alpha =0.7$，假设差距是0.5，则损失是0.2，假设差距是0.8，则损失是0，损失越来越小。

本质上是为了在模型学习过程中拉大某两类节点的评分差距，在差距不够时施加惩罚，是一种常见的对比性损失或排序损失思想。