論文の概要: Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation

• arxiv url: http://arxiv.org/abs/2610.07708v1
• Date: Tue, 06 Oct 2026 04:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.793022
• Title: Evidence Before Sampling: Interpretable Implicit Negative Candidate Discovery for Recommendation
• Title（参考訳）: サンプリング前のエビデンス:レコメンデーションのための解釈不能陰性候補発見
• Abstract要約: 暗黙的な否定的候補発見を定式化し、観察された顧客の行動に支えられた観測されていない相互作用を識別する。 提案手法を産業用B2B設定および5つのパブリックレコメンデーションデータセットで評価する。
• 参考スコア（独自算出の注目度）: 0.7872492013624995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems learn from observed user-item interactions, but explicit negative feedback is often unavailable. Since deep learning models require negative signals for training, negative sampling methods typically treat selected unobserved interactions as negatives. However, a missing interaction does not explain why a user is uninterested in an item or whether there is sufficient evidence to label it negative. This is especially important in business recommendation, where negative signals should be interpretable and aligned with business objectives. We formulate implicit negative candidate discovery to identify unobserved interactions supported by observed customer behavior. We encode these patterns as symbolic rules, score them based on support, informativeness, and product relevance, and rank the retained rules by evidence. An LLM then interprets the retained rules using business objectives and domain knowledge; the interpretations are combined with the statistical evidence in the final report. We evaluate our method in an industrial B2B setting and across five public recommendation datasets. Candidate-quality evaluations in the industrial setting and three public datasets show higher precision than the evaluated baselines, while symbolic selection improves downstream test PR-AUC by 12.5% over random selection with four negatives per positive example in the industrial task. Our results show that negative candidate validity can be evaluated separately from downstream recommendation performance. This distinction enables evidence-based, business-aligned, and explainable negative selection, improving both interpretability and model training in sparse, skewed, real-world recommendation settings.
• Abstract（参考訳）: レコメンダシステムは観察されたユーザとイテムの相互作用から学習するが、明示的なネガティブなフィードバックは利用できないことが多い。 ディープラーニングモデルはトレーニングに負の信号を必要とするため、負のサンプリング法は通常、選択された観測されていない相互作用を負として扱う。 しかし、なぜユーザーがアイテムに興味がないのか、あるいは否定的なラベル付けに十分な証拠があるのかは説明できない。 これはビジネス上の推奨事項において特に重要であり、負のシグナルを解釈し、ビジネス上の目的に合わせるべきである。 暗黙的な否定的候補発見を定式化し、観察された顧客の行動に支えられた観測されていない相互作用を識別する。 これらのパターンを象徴的なルールとしてエンコードし、サポート、情報性、製品関連性に基づいてそれらをスコアし、証拠によって保持されたルールをランク付けします。 LLMはその後、ビジネス目的とドメイン知識を使用して保持されたルールを解釈し、その解釈は最終報告書の統計的証拠と組み合わせられる。 提案手法を産業用B2B設定および5つのパブリックレコメンデーションデータセットで評価する。 産業環境における候補品質評価と3つの公開データセットは、評価基準値よりも精度が高く、シンボリックセレクションは、工業タスクにおける正の例に4つの負の例があるランダムセレクションよりも、下流テストPR-AUCを12.5%改善する。 以上の結果から,下流レコメンデーション性能とは別個に,負の候補の有効性を評価できることがわかった。 この区別により、エビデンスベース、ビジネス整合性、説明可能なネガティブ選択が可能になり、スパース、スキュード、現実世界のレコメンデーション設定における解釈可能性とモデルトレーニングの両方が改善される。

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)
• 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)
• Correct and Weight: A Simple Yet Effective Loss for Implicit Feedback Recommendation [36.820719132176315]
  本稿では,CW損失(Corrected and Weighted, CW損失)という,新規で原則化された損失関数を提案する。 CW損失は訓練対象内の偽陰性の影響を体系的に補正する。 4つの大規模でスパースなベンチマークデータセットで実施された実験は、提案した損失の優越性を実証している。
  論文  参考訳（メタデータ） (2026-01-07T15:20:27Z)
• 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)
• Contrastive Learning with Negative Sampling Correction [52.990001829393506]
  PUCL(Positive-Unlabeled Contrastive Learning)という新しいコントラスト学習手法を提案する。 PUCLは生成した負のサンプルをラベルのないサンプルとして扱い、正のサンプルからの情報を用いて、対照的な損失のバイアスを補正する。 PUCLは一般的なコントラスト学習問題に適用でき、様々な画像やグラフの分類タスクにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-13T11:18:18Z)
• 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)
• 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)
• Understanding Negative Sampling in Graph Representation Learning [87.35038268508414]
  最適化目標と結果のばらつきを決定するためには, 正のサンプリングと同様に負のサンプリングが重要であることを示す。 我々は,自己コントラスト近似による正の分布を近似し,メトロポリス・ハスティングスによる負のサンプリングを高速化するメトロポリス・ハスティングス(MCNS)を提案する。 提案手法は,リンク予測,ノード分類,パーソナライズドレコメンデーションを含む,下流グラフ学習タスクをカバーする5つのデータセットに対して評価する。
  論文  参考訳（メタデータ） (2020-05-20T06:25:21Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。