論文の概要: A Gated Hybrid Contrastive Collaborative Filtering Recommendation

• arxiv url: http://arxiv.org/abs/2604.27117v1
• Date: Wed, 29 Apr 2026 19:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.766772
• Title: A Gated Hybrid Contrastive Collaborative Filtering Recommendation
• Title（参考訳）: Gated Hybrid Contrasative Collaborative Filtering Recommendation
• Authors: Eduardo Ferreira da Silva, Mayki dos Santos Oliveira, Joel Machado Pires, Denis Dantas Boaventura, Maycon Maciel Peixoto, Cassio Serafim Prazeres, Gustavo Bittencourt Figueiredo, Miriam Capretz, Frederico Araujo Durão,
• Abstract要約: Gated Hybrid Collaborative Filtering frameworkは、レビューから派生した表現をオートエンコーダベースのモデルに統合する。 意味的および協調的な信号を整列するコントラスト学習モジュールを導入する。 Amazon Movies & TV、IMDb、Rotten Tomatoesでの実験では、ヒット率@10が一貫した改善と、正規化された累積ゲイン@10が、最先端のレビュー対応ベースラインよりも優れていることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems increasingly incorporate textual reviews to enrich user and item representations. However, most review-aware models remain optimized for rating prediction rather than ranking quality. This misalignment limits their effectiveness in top-N recommendation scenarios, where discriminative ranking is essential. To address this gap, we propose a Gated Hybrid Collaborative Filtering framework that integrates review-derived representations into an autoencoder-based collaborative model. The architecture injects semantic signals layer-wise through an adaptive gating mechanism that dynamically balances collaborative embeddings and topic-based features during encoding. To further refine the latent space, we introduce a contrastive learning module that aligns semantic and collaborative signals. We evaluate the framework across five distinct configurations: Pure collaborative; Topic and Gated; Text and Gated; and the addition of contrastive objectives (Contrastive and Topic, and Contrastive and Text). To explicitly optimize ranking behavior, the model is trained with a pairwise Bayesian personalized ranking objective, which promotes separation between relevant and non-relevant items in the latent space. Experiments on Amazon Movies & TV, IMDb, and Rotten Tomatoes demonstrate consistent improvements in hit rate @10 and normalized discounted cumulative gain @10 over state-of-the-art review-aware baselines. Results highlight the importance of controlled semantic fusion for ranking-driven recommendation.
• Abstract（参考訳）: レコメンダシステムは、ユーザとアイテムの表現を豊かにするテキストレビューをますます取り入れている。 しかし、ほとんどのレビュー対応モデルは、ランキング品質よりも評価予測に最適化されている。 このミスアライメントは、差別的ランキングが不可欠であるトップNレコメンデーションシナリオにおける有効性を制限します。 このギャップに対処するため、自動エンコーダに基づく協調モデルにレビュー由来の表現を統合するGated Hybrid Collaborative Filteringフレームワークを提案する。 このアーキテクチャは、エンコーディング中に協調的な埋め込みとトピックベースの機能を動的にバランスする適応ゲーティング機構を通じて、セマンティックシグナルを階層的に注入する。 潜在空間をさらに洗練するために,意味的および協調的な信号を整列するコントラスト学習モジュールを導入する。 フレームワークは,Pure collaboration, Topic and Gated, Text and Gated, and the addition of contrastive objectives (Contrastive and Topic, and Contrastive and Text。 ランク付け行動を明示的に最適化するために、モデルはペアワイズベイズパーソナライズされたランク付け目標を用いてトレーニングされ、潜在空間における関連項目と非関連項目の分離を促進する。 Amazon Movies & TV、IMDb、Rotten Tomatoesでの実験では、ヒット率@10が一貫した改善と、正規化された累積ゲイン@10が、最先端のレビュー対応ベースラインよりも優れていることが示されている。 その結果、ランキング駆動型推薦における制御意味融合の重要性が浮き彫りになった。

関連論文リスト

• Beyond Overlap Metrics: Rewarding Reasoning and Preferences for Faithful Multi-Role Dialogue Summarization [5.909152930998754]
  マルチロール対話要約では、複数の話者間の複雑な相互作用をモデル化する必要がある。 既存のほとんどのメソッドはROUGEやBERTScoreのような自動メトリクスに最適化されている。 報酬に基づく最適化と明示的な認知的推論を結合する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-04-19T01:27:41Z)
• Vectorized Context-Aware Embeddings for GAT-Based Collaborative Filtering [0.0]
  本稿では,Large Language Model (LLM) により拡張されたグラフ注意ネットワーク(GAT)ベースの協調フィルタリングフレームワークについて述べる。 MovieLens 100kと1Mデータセットの実験では、Precision、NDCG、MAPの最先端ベースラインに対して一貫した改善が見られた。 提案手法は,LLMに基づく文脈理解をグラフアーキテクチャに組み込むことで,空間性やコールドスタートの制限を効果的に緩和する。
  論文  参考訳（メタデータ） (2025-10-30T13:07:39Z)
• End-to-End Personalization: Unifying Recommender Systems with Large Language Models [0.0]
  グラフ注意ネットワーク(GAT)と大言語モデル(LLM)を組み合わせた新しいハイブリッドレコメンデーションフレームワークを提案する。 LLMは、タイトル、ジャンル、概要などのメタデータに基づいて意味的に意味のあるプロファイルを生成することによって、ユーザーとアイテムの表現を豊かにするために最初に使用される。 MovieLens 100kと1Mを含むベンチマークデータセットでモデルを評価し、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-02T22:46:50Z)
• Balancing Semantic Relevance and Engagement in Related Video Recommendations [21.2575040646784]
  関連ビデオレコメンデーションでは、協調フィルタリング(CF)をコエンゲージメント信号で駆動するのが一般的である。 本稿では,意味的関連性とユーザエンゲージメントのバランスをとるために,新しい多目的検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T21:04:25Z)
• Dual-Perspective Disentangled Multi-Intent Alignment for Enhanced Collaborative Filtering [7.031525324133112]
  暗黙のフィードバックからユーザ意図を遠ざけることは、レコメンデーションシステムの正確性と解釈可能性を高めるための有望な戦略として現れてきた。 DMICFは、意図のアライメント、構造融合、識別訓練を統一する、二重パースペクティブな協調フィルタリングフレームワークである。 DMICFは、さまざまなインタラクション分布を持つデータセット間で、一貫して堅牢なパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2025-06-13T07:44:42Z)
• AIR: A Systematic Analysis of Annotations, Instructions, and Response Pairs in Preference Dataset [89.37514696019484]
  嗜好学習は、大きな言語モデルと人間の価値の整合に不可欠である。 私たちの作業は、好みのデータセット設計をアドホックなスケーリングからコンポーネント対応の最適化にシフトします。
  論文  参考訳（メタデータ） (2025-04-04T17:33:07Z)
• Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation [91.13055384151897]
  CCFRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-03-15T15:54:44Z)
• 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)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)

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。