論文の概要: Towards Reliable Negative Sampling for Recommendation with Implicit Feedback via In-Community Popularity

• arxiv url: http://arxiv.org/abs/2602.18759v1
• Date: Sat, 21 Feb 2026 08:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.296684
• Title: Towards Reliable Negative Sampling for Recommendation with Implicit Feedback via In-Community Popularity
• Title（参考訳）: In-Community Popularity による暗黙のフィードバックを伴う推薦のための信頼度負サンプリングに向けて
• Authors: Chen Chen, Haobo Lin, Yuanbo Xu,
• Abstract要約: 我々は,信頼度と情報的負のサンプルを特定するためにtextbfICPNS (In-Community Popularity Negative Smpling) を提案する。 我々のアプローチは、アイテムの露出は潜在ユーザコミュニティによって引き起こされるという洞察に基づいています。 ICPNSはグラフベースのレコメンデータとMFベースのモデルの競合性能を一貫して改善する。
• 参考スコア（独自算出の注目度）: 8.257297407777555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning from implicit feedback is a fundamental problem in modern recommender systems, where only positive interactions are observed and explicit negative signals are unavailable. In such settings, negative sampling plays a critical role in model training by constructing negative items that enable effective preference learning and ranking optimization. However, designing reliable negative sampling strategies remains challenging, as they must simultaneously ensure realness, hardness, and interpretability. To this end, we propose \textbf{ICPNS (In-Community Popularity Negative Sampling)}, a novel framework that leverages user community structure to identify reliable and informative negative samples. Our approach is grounded in the insight that item exposure is driven by latent user communities. By identifying these communities and utilizing in-community popularity, ICPNS effectively approximates the probability of item exposure. Consequently, items that are popular within a user's community but remain unclicked are identified as more reliable true negatives. Extensive experiments on four benchmark datasets demonstrate that ICPNS yields consistent improvements on graph-based recommenders and competitive performance on MF-based models, outperforming representative negative sampling strategies under a unified evaluation protocol.
• Abstract（参考訳）: 暗黙のフィードバックから学ぶことは、正の相互作用のみが観察され、明示的な負の信号が利用できない現代のレコメンデーションシステムにおける根本的な問題である。 このような設定では、効果的な選好学習とランキング最適化を可能にする負の項目を構築することにより、モデルトレーニングにおいて負のサンプリングが重要な役割を果たす。 しかし、信頼性の高いネガティブサンプリング戦略の設計は、現実性、硬さ、解釈可能性の確保を同時に行わなければならないため、依然として困難なままである。 この目的のために,ユーザコミュニティ構造を活用し,信頼度と情報的負のサンプルを識別する新しいフレームワークである「textbf{ICPNS(In-Community Popularity Negative Smpling)」を提案する。 我々のアプローチは、アイテムの露出は潜在ユーザコミュニティによって引き起こされるという洞察に基づいています。 これらのコミュニティを特定し、コミュニティ内での人気を生かして、ICPNSはアイテム露出の確率を効果的に近似する。 その結果、ユーザコミュニティ内で人気があるものの、クリックされていないままのアイテムは、より信頼性の高い真陰性として識別される。 4つのベンチマークデータセットの大規模な実験により、ICPNSはグラフベースのレコメンデータとMFベースのモデルの競争性能を一貫した改善し、統一された評価プロトコルの下で代表的負のサンプリング戦略より優れていることが示された。

関連論文リスト

• A Simple yet Effective Negative Sampling Plugin for Constructing Positive Sample Pairs in Implicit Collaborative Filtering [40.89512526196666]
  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。
  論文  参考訳（メタデータ） (2026-02-20T13:34:43Z)
• 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)
• CoNRec: Context-Discerning Negative Recommendation with LLMs [5.832474387562381]
  ユーザのネガティブな嗜好に関する研究は、現代のレコメンデーションシステムにおいてますます重要になっている。 既存のアプローチのほとんどは、主に肯定的な推奨を強化する補助信号として負のフィードバックを使用している。 特殊設計した文脈認識モジュールを用いた負のフィードバックモデリングのための,最初の大規模言語モデルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-22T07:46:18Z)
• Mitigating Pooling Bias in E-commerce Search via False Negative Estimation [25.40402675846542]
  Bias-mitigating Hard Negative Smplingは、偽陰性の特定と調整に適した新しいネガティブサンプリング戦略である。 検索実験により,BHNSがeコマースの実用化に有効であることが確認された。
  論文  参考訳（メタデータ） (2023-11-11T00:22:57Z)
• 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)
• FedCL: Federated Contrastive Learning for Privacy-Preserving Recommendation [98.5705258907774]
  FedCLは、プライバシーを十分に保護した効果的なモデルトレーニングのために、高品質な負のサンプルを利用することができる。 まず、各クライアントのローカルモデルを介してローカルユーザデータからユーザ埋め込みを推測し、その後、ローカルディファレンシャルプライバシ(LDP)で摂動する。 個々のユーザ埋め込みにはLDPによる重騒音が伴うため,ノイズの影響を軽減するため,サーバ上にユーザ埋め込みをクラスタ化することを提案する。
  論文  参考訳（メタデータ） (2022-04-21T02:37:10Z)
• Understanding Negative Sampling in Graph Representation Learning [87.35038268508414]
  最適化目標と結果のばらつきを決定するためには, 正のサンプリングと同様に負のサンプリングが重要であることを示す。 我々は,自己コントラスト近似による正の分布を近似し,メトロポリス・ハスティングスによる負のサンプリングを高速化するメトロポリス・ハスティングス(MCNS)を提案する。 提案手法は,リンク予測,ノード分類,パーソナライズドレコメンデーションを含む,下流グラフ学習タスクをカバーする5つのデータセットに対して評価する。
  論文  参考訳（メタデータ） (2020-05-20T06:25:21Z)
• 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)
• Binary Classification from Positive Data with Skewed Confidence [85.18941440826309]
  肯定的信頼度(Pconf)分類は、有望な弱教師付き学習法である。 実際には、信頼はアノテーションプロセスで生じるバイアスによって歪められることがある。 本稿では、スキュード信頼度のパラメータ化モデルを導入し、ハイパーパラメータを選択する方法を提案する。
  論文  参考訳（メタデータ） (2020-01-29T00:04:36Z)

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。