論文の概要: Simple and Behavior-Driven Augmentation for Recommendation with Rich Collaborative Signals

• arxiv url: http://arxiv.org/abs/2511.00436v2
• Date: Tue, 04 Nov 2025 04:10:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.776911
• Title: Simple and Behavior-Driven Augmentation for Recommendation with Rich Collaborative Signals
• Title（参考訳）: リッチコラボレーティブ信号を用いたリコメンデーションのためのシンプルで行動駆動型強化
• Authors: Doyun Choi, Cheonwoo Lee, Jaemin Yoo,
• Abstract要約: 本稿では, パーソナライズされたレコメンデーションのためのグラフ協調フィルタリング(GCF)の有効性を最大化するために, SCAR(Simple Collaborative Augmentation for Recommendation)を提案する。 情報を削除する代わりに、SCARはユーザとテムのインタラクションから抽出された協調シグナルを利用して擬似インタラクションを生成し、既存のインタラクションに追加されたり、置き換えられたりする。
• 参考スコア（独自算出の注目度）: 8.795723755279493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive learning (CL) has been widely used for enhancing the performance of graph collaborative filtering (GCF) for personalized recommendation. Since data augmentation plays a crucial role in the success of CL, previous works have designed augmentation methods to remove noisy interactions between users and items in order to generate effective augmented views. However, the ambiguity in defining ''noisiness'' presents a persistent risk of losing core information and generating unreliable data views, while increasing the overall complexity of augmentation. In this paper, we propose Simple Collaborative Augmentation for Recommendation (SCAR), a novel and intuitive augmentation method designed to maximize the effectiveness of CL for GCF. Instead of removing information, SCAR leverages collaborative signals extracted from user-item interactions to generate pseudo-interactions, which are then either added to or used to replace existing interactions. This results in more robust representations while avoiding the pitfalls of overly complex augmentation modules. We conduct experiments on four benchmark datasets and show that SCAR outperforms previous CL-based GCF methods as well as other state-of-the-art self-supervised learning approaches across key evaluation metrics. SCAR exhibits strong robustness across different hyperparameter settings and is particularly effective in sparse data scenarios.
• Abstract（参考訳）: コントラスト学習(CL)は、パーソナライズされたレコメンデーションのためのグラフ協調フィルタリング(GCF)の性能向上に広く利用されている。 CLの成功においてデータ拡張が重要な役割を担っているため、従来の研究は、効果的な拡張ビューを生成するために、ユーザとアイテム間のノイズの多い相互作用を取り除くための拡張手法を設計してきた。 しかし、'うるさい'の定義の曖昧さは、コア情報を失い、信頼性の低いデータビューを生成するという持続的なリスクを示しながら、拡張の全体的な複雑さを高めます。 本稿では,GCF における CL の有効性を最大化するための,新しい直感的な拡張手法である Simple Collaborative Augmentation for Recommendation (SCAR) を提案する。 情報を削除する代わりに、SCARはユーザとテムのインタラクションから抽出された協調シグナルを利用して擬似インタラクションを生成し、既存のインタラクションに追加されたり、置き換えられたりする。 これにより、過度に複雑な拡張モジュールの落とし穴を避けながら、より堅牢な表現が得られる。 4つのベンチマークデータセットで実験を行い、SCARが従来のCLベースのGCFメソッドと、他の最先端の自己教師型学習アプローチをキー評価指標で上回っていることを示す。 SCARは、異なるハイパーパラメータ設定で強い堅牢性を示し、特にスパースデータシナリオで有効である。

関連論文リスト

• Unveiling Contrastive Learning's Capability of Neighborhood Aggregation for Collaborative Filtering [16.02820746003461]
  グラフコントラスト学習(GCL)は、リコメンデータシステムにおいて、徐々に支配的なアプローチになりつつある。 本稿では,CL目標の勾配降下過程がグラフ畳み込みと正式に等価であることを明らかにする。 そこで本稿では,ユーザを他のポジティブなペアから遠ざけながら,対話するすべてのアイテムに近づけるための,新しいエリアアグリゲーションの目標を提案する。
  論文  参考訳（メタデータ） (2025-04-14T11:22:41Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Disentangled Contrastive Collaborative Filtering [36.400303346450514]
  グラフコントラスト学習(GCL)は、監督ラベル不足問題に対処する上で、強力な性能を示した。 本稿では,自己監督型拡張による意図的ゆがみを実現するために,DCCF(Disentangled Contrasative Collaborative Filtering framework)を提案する。 我々のDCCFは、絡み合った自己超越信号からより微細な潜伏因子を蒸留できるだけでなく、増大による騒音を軽減することができる。
  論文  参考訳（メタデータ） (2023-05-04T11:53:38Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。