論文の概要: Sparse Contrastive Learning for Content-Based Cold Item Recommendation

• arxiv url: http://arxiv.org/abs/2604.12990v1
• Date: Tue, 14 Apr 2026 17:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.58407
• Title: Sparse Contrastive Learning for Content-Based Cold Item Recommendation
• Title（参考訳）: コンテンツに基づく冷間項目推薦のためのスパースコントラスト学習
• Authors: Gregor Meehan, Johan Pauwels,
• Abstract要約: アイテムコールドスタートは、コラボレーティブフィルタリング(CF)レコメンデーションシステムにおいて、広範囲にわたる課題である。 既存の手法では、画像やテキスト記述などの補助的な項目をCFモデルの埋め込み空間にマッピングすることで、コールドスタートモデルをトレーニングすることが多い。 我々は,寒冷品の純粋に内容に基づくモデリング,すなわちCFユーザやアイテムの埋め込みを伴わずに,この制限を回避することを提案する。
• 参考スコア（独自算出の注目度）: 5.958603849321135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Item cold-start is a pervasive challenge for collaborative filtering (CF) recommender systems. Existing methods often train cold-start models by mapping auxiliary item content, such as images or text descriptions, into the embedding space of a CF model. However, such approaches can be limited by the fundamental information gap between CF signals and content features. In this work, we propose to avoid this limitation with purely content-based modeling of cold items, i.e. without alignment with CF user or item embeddings. We instead frame cold-start prediction in terms of item-item similarity, training a content encoder to project into a latent space where similarity correlates with user preferences. We define our training objective as a sparse generalization of sampled softmax loss with the $α$-entmax family of activation functions, which allows for sharper estimation of item relevance by zeroing gradients for uninformative negatives. We then describe how this Sampled Entmax for Cold-start (SEMCo) training regime can be extended via knowledge distillation, and show that it outperforms existing cold-start methods and standard sampled softmax in ranking accuracy. We also discuss the advantages of purely content-based modeling, particularly in terms of equity of item outcomes.
• Abstract（参考訳）: アイテムコールドスタートは、コラボレーティブフィルタリング(CF)レコメンデーションシステムにおいて、広範囲にわたる課題である。 既存の手法では、画像やテキスト記述などの補助的な項目をCFモデルの埋め込み空間にマッピングすることで、コールドスタートモデルをトレーニングすることが多い。 しかし、このようなアプローチは、CF信号とコンテンツ特徴の基本的な情報ギャップによって制限される可能性がある。 本研究では,寒冷品の純粋に内容に基づくモデリング,すなわちCFユーザやアイテムの埋め込みを伴わずに,この制限を回避することを提案する。 コンテントエンコーダをトレーニングして、類似性がユーザの好みと相関する潜在空間に投影する。 我々は,この学習目標を,標本ソフトマックス損失のスパース一般化を$α$-entmaxのアクティベーション関数ファミリで定義し,非形式的負に対するゼロ化勾配によるアイテム関連性のよりシャープな推定を可能にする。 次に,SEMCo(Sampred Entmax for Cold-start)トレーニング体制を知識蒸留により拡張し,既存のコールドスタート法や標準サンプルソフトマックスよりも精度が高いことを示す。 また、純粋にコンテンツに基づくモデリングの利点についても論じる。

関連論文リスト

• MDiffFR: Modality-Guided Diffusion Generation for Cold-start Items in Federated Recommendation [21.56907456486488]
  フェデレートされたレコメンデーション(FR)は、ローカルクライアントにユーザデータを保管することで、ユーザのプライバシを保護しながら、パーソナライズされたサービスを提供する。 FRに固有の厳格なプライバシ制約のため、クライアント間でのユーザとイテムのインタラクションデータやユーザプロファイルへのアクセスは極めて制限されている。 そこで本研究では,冷間開始項目に対する新世代モード誘導拡散法MDiffFRを提案する。
  論文  参考訳（メタデータ） (2025-12-31T08:29:34Z)
• Concept-Aware Batch Sampling Improves Language-Image Pretraining [78.53540190580189]
  Concept-Aware Batch Smpling (CABS)は、バッチをオンザフライで柔軟に構築する、シンプルで効果的なバッチサンプリングフレームワークである。 CABSはCLIP/SigLIPモデルクラスに有益であり,高性能なモデルが得られることを示す。 全体として、CABSはプロプライエタリなオンラインデータキュレーションアルゴリズムに代わる強力なオープンソースである。
  論文  参考訳（メタデータ） (2025-11-25T18:58:07Z)
• On Inherited Popularity Bias in Cold-Start Item Recommendation [5.958603849321135]
  協調フィルタリング(CF)は、目に見えない、または'コールド'アイテムの予測に苦労する。 コールドスタートシステムは人気バイアスを継承しうることを示すが、これは推奨システムの不公平性の一般的な原因である。
  論文  参考訳（メタデータ） (2025-10-13T13:44:13Z)
• Let It Go? Not Quite: Addressing Item Cold Start in Sequential Recommendations with Content-Based Initialization [0.8437187555622164]
  凍結埋め込みに小さな訓練可能なデルタを導入し、モデルが元のセマンティック構造から遠ざかることなく、アイテム表現を適応できるようにする。 このアプローチは、複数のデータセットとモダリティにわたって一貫した改善を示す。
  論文  参考訳（メタデータ） (2025-07-25T17:57:31Z)
• Personalized Diffusion Model Reshapes Cold-Start Bundle Recommendation [2.115789253980982]
  本稿では,各ユーザがコールドスタート課題に取り組むために,分散空間にバンドルを生成する新しい手法を提案する。 DisCoはパーソナライズされたDiffusionのバックボーンに依存しており、ユーザーの興味をゆがめられたアスペクトによって強化されている。 DisCoは3つの実世界のデータセットに対して大きなマージンで5つのベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-20T20:52:31Z)
• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
  協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。 本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。 自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-07-07T05:21:12Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。