論文の概要: TFPS: A Temporal Filtration-enhanced Positive Sample Set Construction Method for Implicit Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2602.22521v1
• Date: Thu, 26 Feb 2026 01:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.468944
• Title: TFPS: A Temporal Filtration-enhanced Positive Sample Set Construction Method for Implicit Collaborative Filtering
• Title（参考訳）: TFPS: 突発的協調フィルタリングのための時間濾過強化正の正のサンプルセット構築法
• Authors: Jiayi Wu, Zhengyu Wu, Xunkai Li, Rong-Hua Li, Guoren Wang,
• Abstract要約: 高品質な正のサンプルセットを構築するための新しい時間的濾過強化手法を提案する。 TFPSがRecall@kとNDCG@kを改善できる理由に関する理論的知見を提供する。
• 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: The negative sampling strategy can effectively train collaborative filtering (CF) recommendation models based on implicit feedback by constructing positive and negative samples. However, existing methods primarily optimize the negative sampling process while neglecting the exploration of positive samples. Some denoising recommendation methods can be applied to denoise positive samples within negative sampling strategies, but they ignore temporal information. Existing work integrates sequential information during model aggregation but neglects time interval information, hindering accurate capture of users' current preferences. To address this problem, from a data perspective, we propose a novel temporal filtration-enhanced approach to construct a high-quality positive sample set. First, we design a time decay model based on interaction time intervals, transforming the original graph into a weighted user-item bipartite graph. Then, based on predefined filtering operations, the weighted user-item bipartite graph is layered. Finally, we design a layer-enhancement strategy to construct a high-quality positive sample set for the layered subgraphs. We provide theoretical insights into why TFPS can improve Recall@k and NDCG@k, and extensive experiments on three real-world datasets demonstrate the effectiveness of the proposed method. Additionally, TFPS can be integrated with various implicit CF recommenders or negative sampling methods to enhance its performance.
• Abstract（参考訳）: 負サンプリング戦略は、正と負のサンプルを構築することで、暗黙のフィードバックに基づいて協調フィルタリング(CF)レコメンデーションモデルを効果的に訓練することができる。 しかし、既存の手法は正のサンプルの探索を無視しながら、主に負のサンプリングプロセスを最適化する。 肯定的なサンプルを否定的なサンプリング戦略で識別するために、いくつかの認知的推薦法を適用することができるが、それらは時間的情報を無視している。 既存の作業は、モデルの集約中にシーケンシャル情報を統合するが、時間間隔情報を無視し、ユーザの現在の好みを正確に把握するのを妨げる。 データの観点から、この問題に対処するために、高品質な正のサンプルセットを構築するための新しい時間的濾過強化手法を提案する。 まず、相互作用時間間隔に基づいて時間減衰モデルを設計し、元のグラフを重み付きユーザイテム二部グラフに変換する。 そして、予め定義されたフィルタリング操作に基づいて、重み付けされたユーザ-テム二部グラフを階層化する。 最後に,層状部分グラフに対する高品質な正のサンプルセットを構築するための層拡大戦略を設計する。 TFPSがRecall@kとNDCG@kを改善できる理由に関する理論的知見を提供し,提案手法の有効性を実世界の3つのデータセットで実証した。 さらに、TFPS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

• A Topology-Aware Positive Sample Set Construction and Feature Optimization Method in Implicit Collaborative Filtering [40.89512526196666]
  負のサンプリング戦略は、データ間隔やクラス不均衡といった問題に対処するために暗黙の協調フィルタリングで広く使われている。 これらの戦略は、しばしば偽陰性を導入し、モデルの潜在的嗜好を正確に学習する能力を妨げている。 位相対応型正のサンプルセット構築と特徴最適化法(TPSC-FO)を提案する。
  論文  参考訳（メタデータ） (2026-02-20T15:35:48Z)
• 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)
• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Finding the Sweet Spot: Preference Data Construction for Scaling Preference Optimization [66.67988187816185]
  本研究の目的は、繰り返しランダムサンプリングにより、オンラインサンプルの数を増大させ、アライメント性能を向上させることである。 実験の結果,サンプルサイズが大きくなるにつれて,この戦略がエフェデクリンの性能向上につながることが明らかとなった。 サンプルの規模が大きくなるにつれてモデル性能を継続的に向上するスケーラブルな嗜好データ構築戦略を導入する。
  論文  参考訳（メタデータ） (2025-02-24T04:22:57Z)
• SCONE: A Novel Stochastic Sampling to Generate Contrastive Views and Hard Negative Samples for Recommendation [28.886714896469737]
  グラフベースのコラボレーティブフィルタリング(CF)は、レコメンダシステムにおいて有望なアプローチとして登場した。 その成果にもかかわらず、グラフベースのCFモデルは、データの分散性と負のサンプリングによる課題に直面している。 本稿では,これらの課題を克服するために,<i>Contrastive view and ii) hard NEgative sample (SCONE)を提案する。
  論文  参考訳（メタデータ） (2024-05-01T02:27:59Z)
• Dimension Independent Mixup for Hard Negative Sample in Collaborative Filtering [36.26865960551565]
  否定的なサンプリングは、暗黙のフィードバックでCFベースのモデルをトレーニングする上で重要な役割を果たす。 そこで本研究では,CFモデルトレーニングのためのエリアワイドサンプリング法であるDINS(Dimension Independent Mixup for Hard Negative Smpling)を提案する。 我々の研究は、新しい視点に寄与し、エリアワイドサンプリングを導入し、DINSをネガティブサンプリングのための新しいアプローチとして提示する。
  論文  参考訳（メタデータ） (2023-06-28T04:03:31Z)
• 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)

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。