論文の概要: Don't Contrast the Impossible: Region-Constrained Batching for Contrastive User Modeling on a Local Community Platform

• arxiv url: http://arxiv.org/abs/2607.28971v1
• Date: Fri, 31 Jul 2026 02:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.576416
• Title: Don't Contrast the Impossible: Region-Constrained Batching for Contrastive User Modeling on a Local Community Platform
• Title（参考訳）: 反対しない:地域制約付きバッチによる地域コミュニティプラットフォーム上のコントラストユーザモデリング
• Abstract要約: 領域制約バッチサンプリング(Rerea-Constrained Batch Smpling, RCBS)は、領域同質のミニバッチを構成する単純かつ効果的な手法である。 RCBSはユーザー表現の質を継続的に改善し、その結果、ホームフィードのランキング、検索、ディスプレイ広告ランキングが向上する。 結果として生じるユーザ埋め込みは、さまざまなアプリケーションにまたがって本番環境にデプロイされている。
• 参考スコア（独自算出の注目度）: 5.103359513440418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive learning is widely used for user modeling in large-scale recommender systems, where standard in-batch negatives implicitly assume universal exposure that any user can be shown any item. On local community platforms such as Karrot, however, exposure is geographically constrained; many user-item pairs are impossible by design yet still treated as negatives during training, diluting the contrastive learning signal. We address this impossible negatives problem and propose Region-Constrained Batch Sampling (RCBS), a simple yet effective batching method that constructs region-homogeneous mini-batches so that users are contrasted primarily against items they could feasibly see. By replacing impossible negatives with feasible ones, RCBS naturally introduces harder and more informative negatives under realistic exposure constraints. With offline evaluations and online A/B tests, we show that RCBS consistently improves user representation quality and consequently enhances home feed ranking, retrieval, and display ads ranking. The resulting user embeddings have been deployed in production across various applications.
• Abstract（参考訳）: コントラスト学習は大規模レコメンデータシステムにおけるユーザモデリングに広く使われており、標準的なバッチ内陰性(英語版)は、どのユーザでも任意のアイテムを表示できる普遍的な露出を暗黙的に仮定する。 しかし、Karrotのような地域コミュニティプラットフォームでは、露光は地理的に制約されている。 本稿では,この不可能な負の問題を解消し,領域制約バッチサンプリング(RCBS)を提案する。 不可能な負を実現不可能なものに置き換えることによって、CBSは現実的な露出制約の下で、自然により難しく、より情報的な負を導入する。 オフライン評価とオンラインA/Bテストにより、CBSはユーザー表現の質を一貫して改善し、結果的にホームフィードのランキング、検索、表示広告ランキングを向上することを示した。 結果として生じるユーザ埋め込みは、さまざまなアプリケーションにまたがって本番環境にデプロイされている。

関連論文リスト

• Towards Reliable Negative Sampling for Recommendation with Implicit Feedback via In-Community Popularity [8.257297407777555]
  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。
  論文  参考訳（メタデータ） (2026-02-21T08:53:10Z)
• SyNeT: Synthetic Negatives for Traversability Learning [6.858933346270489]
  本稿では, 可塑性, 非可逆性を表す合成陰性を明示的に構築し, 視覚に基づく可逆性学習に統合する手法を提案する。 我々のアプローチは、Positive-Unlabeled (PU)とPositive-Negative (PN)の両方のフレームワークにシームレスに統合可能なトレーニング戦略として定式化されています。 この評価は、追加のマニュアルラベリングを使わずに、非トラバース可能な領域を一貫して識別するモデルの能力を間接的に測定する手段を提供する。
  論文  参考訳（メタデータ） (2026-01-31T16:47:26Z)
• 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)
• Diverse Negative Sampling for Implicit Collaborative Filtering [26.57812122315108]
  負のトレーニングデータにおける多様性を考慮したDivNS(Diverse Negative Smpling)を提案する。 DivNSは、大きな好みスコアを持つハードネガティブアイテムを見つけ、ユーザ固有のキャッシュを構築する。 キャッシュからさまざまなネガティブアイテムのサブセットを選択し、ユーザのハードネガティブとの相違を保証します。 結果として得られる合成陰性は情報的かつ多様であり、推薦者はより広い項目空間を学習し、その一般化性を向上させることができる。
  論文  参考訳（メタデータ） (2025-08-20T06:48:54Z)
• Variational Bayesian Personalized Ranking [39.24591060825056]
  変分的BPRは、確率最適化、ノイズ低減、人気低下を統合する、新しく実装が容易な学習目標である。 本稿では,問題サンプルからの雑音を効果的に低減するために,注目に基づく競合学習手法を提案する。 実験により、人気のあるバックボーンレコメンデーションモデルにおける変分BPRの有効性を実証する。
  論文  参考訳（メタデータ） (2025-03-14T04:22:01Z)
• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• Your Negative May not Be True Negative: Boosting Image-Text Matching with False Negative Elimination [62.18768931714238]
  提案手法は, サンプリングによる新規な偽陰性除去 (FNE) 戦略である。 その結果,提案した偽陰性除去戦略の優位性が示された。
  論文  参考訳（メタデータ） (2023-08-08T16:31:43Z)
• 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)
• 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)
• Contrastive Learning with Hard Negative Samples [80.12117639845678]
  我々は, 厳密な陰性サンプルを選択するために, 教師なしサンプリング手法を新たに開発する。 このサンプリングの制限ケースは、各クラスをしっかりとクラスタ化し、可能な限り異なるクラスを遠くにプッシュする表現をもたらす。 提案手法は、複数のモードをまたいだダウンストリーム性能を改善し、実装するコード行数が少なく、計算オーバーヘッドを伴わない。
  論文  参考訳（メタデータ） (2020-10-09T14:18:53Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)

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。