論文の概要: A Simple yet Effective Negative Sampling Plugin for Constructing Positive Sample Pairs in Implicit Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2602.18206v1
• Date: Fri, 20 Feb 2026 13:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.338659
• Title: A Simple yet Effective Negative Sampling Plugin for Constructing Positive Sample Pairs in Implicit Collaborative Filtering
• Title（参考訳）: 無作為な協調フィルタリングにおける正のサンプルペア構築のための単純で効果的な負のサンプリングプラグイン
• Authors: Jiayi Wu, Zhengyu Wu, Xunkai Li, Ronghua Li, Guoren Wang,
• Abstract要約: PSP-NSは、協調フィルタリングのための負のサンプリングプラグインである。 インタラクションの信頼性を示すエッジウェイトを備えた、ユーザ項目の2部グラフを構築する。 正のサンプルペアを複製ベースの再重み付けにより生成し、正の信号を強化する。 PSP-NS は Recall@30 と Precision@30 を32.11%、Yelp の 22.90% で強化している。
• 参考スコア（独自算出の注目度）: 40.89512526196666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most implicit collaborative filtering (CF) models are trained with negative sampling, where existing work designs sophisticated strategies for high-quality negatives while largely overlooking the exploration of positive samples. Although some denoising recommendation methods can be applied to implicit CF for denoising positive samples, they often sparsify positive supervision. Moreover, these approaches generally overlook user activity bias during training, leading to insufficient learning for inactive users. To address these issues, we propose a simple yet effective negative sampling plugin, PSP-NS, from the perspective of enhancing positive supervision signals. It builds a user-item bipartite graph with edge weights indicating interaction confidence inferred from global and local patterns, generates positive sample pairs via replication-based reweighting to strengthen positive signals, and adopts an activity-aware weighting scheme to effectively learn inactive users' preferences. We provide theoretical insights from a margin-improvement perspective, explaining why PSP-NS tends to improve ranking quality (e.g., Precision@k/Recall@k), and conduct extensive experiments on four real-world datasets to demonstrate its superiority. For instance, PSP-NS boosts Recall@30 and Precision@30 by 32.11% and 22.90% on Yelp over the strongest baselines. PSP-NS can be integrated with various implicit CF recommenders or negative sampling methods to enhance their performance.
• Abstract（参考訳）: 多くの暗黙的協調フィルタリング(CF)モデルは、正のサンプルの探索を概ね見越しながら、高品質な負の戦略を設計する既存の作業設計において、負のサンプリングで訓練されている。 肯定的なサンプルを復調するために暗黙的なCFにいくつかの復調的レコメンデーション法を適用することができるが、それらはしばしば肯定的な監督を妨げている。 さらに、これらのアプローチは一般的に、トレーニング中のユーザの活動バイアスを見落とし、非アクティブなユーザにとって学習不足につながる。 これらの課題に対処するため, 正の監視信号の増強の観点から, 単純で効果的な正のサンプリングプラグインであるPSP-NSを提案する。 グローバルパターンとローカルパターンから推定される相互作用の信頼性を示すエッジ重み付き、複製ベースの再重み付けによる正のサンプルペアを生成し、アクティブなユーザの好みを効果的に学習するアクティビティ対応重み付け方式を採用する。 PSP-NSがランキング品質を改善する傾向がある理由(Precision@k/Recall@kなど)を説明するとともに、4つの実世界のデータセットに対する広範な実験を行い、その優位性を実証する。 例えば、PSP-NSは、最強のベースラインであるYelp上でRecall@30とPrecision@30を32.11%、22.90%向上させる。 PSP-NSは様々な暗黙のCFレコメンデータや負のサンプリング手法と統合して性能を向上させることができる。

関連論文リスト

• Improving LLM-based Recommendation with Self-Hard Negatives from Intermediate Layers [80.55429742713623]
  ILRecはLLMベースのレコメンデーションシステムのための新しい好みの微調整フレームワークである。 負の信号に対してトークンレベルの報酬を割り当てるための軽量な協調フィルタリングモデルを提案する。 3つのデータセットの実験は、LLMベースのレコメンデータシステムの性能向上におけるILRecの有効性を示している。
  論文  参考訳（メタデータ） (2026-02-19T14:37:43Z)
• Rethinking Sample Polarity in Reinforcement Learning with Verifiable Rewards [57.11130904745293]
  試料の偏光がRLVRトレーニングの力学と挙動に与える影響について検討する。 正のサンプルは既存の正しい推論パターンを鋭くし、負のサンプルは新たな推論経路の探索を奨励する。 政策最適化のための適応的・非対称なトークンレベルのアドバンテージ整形法を提案する。
  論文  参考訳（メタデータ） (2025-12-25T11:15:46Z)
• Task-oriented Embedding Counts: Heuristic Clustering-driven Feature Fine-tuning for Whole Slide Image Classification [1.292108130501585]
  本稿では,クラスタリング駆動型機能微調整法(HC-FT)を提案する。 提案手法はCAMELYON16とBRACSの両方で評価され,それぞれ97.13%,85.85%のAUCが得られた。
  論文  参考訳（メタデータ） (2024-06-02T08:53:45Z)
• Neighborhood-based Hard Negative Mining for Sequential Recommendation [14.66576013324401]
  ネガティブサンプリングは、シーケンシャルレコメンデーションモデルのトレーニングにおいて重要な役割を果たす。 本稿では, ユーザ行動に隠された構造情報を負のマイニングに活用するために, 近傍オーバーラップ(GNNO)に基づくグラフベースの負のサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-06-12T12:28:54Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)
• Rethinking InfoNCE: How Many Negative Samples Do You Need? [54.146208195806636]
  半定量的理論フレームワークを用いて, InfoNCE に最適化された負のサンプル数について検討した。 トレーニングの有効性関数を最大化する$K$値を用いて,最適負サンプリング比を推定する。
  論文  参考訳（メタデータ） (2021-05-27T08:38:29Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。