論文の概要: Rethinking Contrastive Learning for Graph Collaborative Filtering: Limitations and a Simple Remedy

• arxiv url: http://arxiv.org/abs/2605.24015v1
• Date: Wed, 20 May 2026 03:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 15:03:09.192305
• Title: Rethinking Contrastive Learning for Graph Collaborative Filtering: Limitations and a Simple Remedy
• Title（参考訳）: グラフ協調フィルタリングにおけるコントラスト学習の再考:限界と簡単な対策
• Authors: Geon Lee, Sunwoo Kim, Kyungho Kim, Kijung Shin,
• Abstract要約: グラフコラボレーティブ・フィルタリング(GCF)はレコメンダシステムにおいて支配的なパラダイムである。 学習可能な重みを多数の隣接するペアに集約することにより,ユーザイテム予測スコアが計算されることを示す。 本稿では, NT-SSMを提案する。NT-SSMは, 実効的かつ原理的なCL目標であり, タイプ認識近傍のペアウェイト更新のダイナミクスを誘導する。
• 参考スコア（独自算出の注目度）: 40.823640493268634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph collaborative filtering (GCF) is a dominant paradigm in recommender systems, where contrastive learning (CL) objectives such as the Sampled Softmax (SSM) loss are widely used for optimization. However, it remains unclear how CL interacts with the prediction mechanism of GCF. By unfolding the prediction mechanism of GCF, we show that the user-item prediction score is computed by aggregating learnable weights over a large number of neighbor pairs formed by the multi-hop neighbors of the user and the item. This analysis suggests that effective optimization critically depends on which neighbor pairs are upweighted during training. Empirically, we find that effective recommendation is achievable by selectively upweighting only a small subset of neighbor pairs whose constituent neighbors are structurally similar to the target user and item, and that the effect of such selective upweighting varies across different neighbor pair types. Based on these findings, we analyze SSM and identify key limitations in its neighbor pair weight update dynamics. To address these limitations, we propose NT-SSM, an effective and principled CL objective that induces type-aware neighbor pair weight update dynamics. Experiments demonstrate consistent performance improvements over SSM across multiple datasets and GCF models.
• Abstract（参考訳）: グラフコラボレーティブ・フィルタリング(GCF)は、SSM(Sampred Softmax)損失のような対照的な学習(CL)目標が最適化に広く使用されるレコメンデーションシステムにおいて、支配的なパラダイムである。 しかし、CLがGCFの予測機構とどのように相互作用するかは未だ不明である。 GCFの予測機構を展開させることにより、ユーザとアイテムのマルチホップ隣人によって形成される多数の隣人ペアに学習可能な重みを集約することにより、ユーザイテム予測スコアが計算されることを示す。 この分析は、効果的な最適化は、トレーニング中に隣のペアが重み付けされているかによって重要であることを示唆している。 提案手法は, 対象ユーザや項目と構造的に類似している近傍ペアの少数部分のみを選択的に重み付けすることにより, 有効推薦が達成可能であること, 選択的重み付けの効果が近隣ペアの種類によって異なることを実証的に見出した。 これらの結果から,SSMを解析し,隣接するペアウェイト更新ダイナミクスの鍵となる限界を同定した。 これらの制約に対処するため,NT-SSMを提案する。 実験では、複数のデータセットとGCFモデルにわたるSSMに対する一貫したパフォーマンス改善が示されている。

関連論文リスト

• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• MPO: An Efficient Post-Processing Framework for Mixing Diverse Preference Alignment [14.541973333460149]
  Mixing Preference Optimization (MPO)は、単一目的ポリシーを集約するための後処理フレームワークである。 MPOは様々な好みにまたがるバランスの取れた性能を実現し、計算コストを大幅に削減した既存モデルより優れている。
  論文  参考訳（メタデータ） (2025-02-25T23:22:12Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning [29.482674624323835]
  そこで我々は,NCL(Nighborhood-enriched Contrastive Learning)という新しいコントラスト学習手法を提案する。 相互作用グラフ上の構造的隣人に対しては、ユーザ(またはアイテム)とその構造的隣人を正のコントラスト的対とみなす新しい構造的対照的な目的を開発する。 実装では、ユーザ(またはアイテム)と隣人の表現は異なるGNN層の出力に対応する。
  論文  参考訳（メタデータ） (2022-02-13T04:18:18Z)

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。