論文の概要: Pathwise Alignment for Collaborative Filtering: Bilateral Conditional Flow Regularization

• arxiv url: http://arxiv.org/abs/2610.15506v1
• Date: Sun, 11 Oct 2026 10:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 18:16:10.629692
• Title: Pathwise Alignment for Collaborative Filtering: Bilateral Conditional Flow Regularization
• Title（参考訳）: 協調フィルタリングのためのパスワイズアライメント:両側条件流正規化
• Abstract要約: 協調フィルタリングは、暗黙のフィードバックからユーザとイテムの相互作用を予測する。 協調フィルタリングのためのパスワイドアライメント(PACF)を提案する。
• 参考スコア（独自算出の注目度）: 46.76583812557842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative filtering predicts user-item interactions from implicit feedback. We focus on matrix factorization (MF) trained with the Bayesian Personalized Ranking loss. This loss updates each user embedding only through that user's observed items and sampled negatives, so sparse feedback gives MF few constraints. To constrain each user through other users, we propose Pathwise Alignment for Collaborative Filtering (PACF), which trains MF with one network shared by all training pairs. At points between user and item embeddings, a flow matching term trains the network to predict the user-to-item step, reversed and scaled for sampled negatives. A trajectory consistency term pulls each user's predicted path to end at the observed item. Both terms update the embeddings, so the network is discarded after training, thereby maintaining the efficiency of MF at inference. We prove that a network with bounded sensitivity to its input point accurately fits users who share an item only if their embeddings are close, so these users constrain one another. Against eleven discriminative and generative baselines, PACF achieves the highest performance on all seven datasets. Its relative gains over MF are largest where feedback is sparsest. The shared network thus supplies the missing constraints through other users.
• Abstract（参考訳）: 協調フィルタリングは、暗黙のフィードバックからユーザとイテムの相互作用を予測する。 ベイジアンパーソナライズされたランク付け損失を学習した行列分解(MF)に焦点を当てた。 この損失は、ユーザーの観察されたアイテムとサンプルされたネガティブを通してのみ、各ユーザの埋め込みを更新するので、少ないフィードバックは、MFにわずかな制約を与える。 そこで本研究では,MFをトレーニングするPACF(Pathwise Alignment for Collaborative Filtering)を提案する。 ユーザとアイテムの埋め込みのポイントでは、フローマッチング用語がネットワークをトレーニングし、ユーザ間ステップを予測する。 軌道整合項は、各ユーザの予測経路を、観測項目で終了させる。 どちらの用語も埋め込みを更新するため、トレーニング後にネットワークは破棄され、推論時のMFの効率が維持される。 入力点に感度が制限されたネットワークが、埋め込みが近い場合にのみアイテムを共有するユーザに適していることを証明し、それらのユーザ同士を制約する。 11の識別的および生成的ベースラインに対して、PACFは7つのデータセットで最高パフォーマンスを達成する。 MFに対する相対的な利得は、フィードバックが最少である場合に最大である。 これにより、共有ネットワークは、他のユーザによる不足した制約を提供する。

関連論文リスト

• RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation [74.86562505934961]
  言語ベースのユーザプロファイルは、長い行動履歴をレコメンデーションのために明示的な意味表現に変換する。 そこでは,ストリームやプロファイルの更新を限定的に行うことで,ユーザの行動が継続的に到着する,実世界のショートビデオレコメンデーションにおいて,この問題について検討する。 本稿では,ストリーミング構造化されたセマンティックプロファイルを過去のレコメンデーションフィードバックで最適化するためのオフラインクローズドループフレームワークRECAPを提案する。
  論文  参考訳（メタデータ） (2026-07-17T08:10:37Z)
• On the Mechanisms of Collaborative Learning in VAE Recommenders [12.77626224639472]
  変分オートエンコーダ(VAE)は行列分解の強力な代替手段である。 VAE-based collaborative filtering (CF) において, 協調がいかに生じるかを分析し, 潜時近接によって制御されることを示す。 分析はNetflix, MovieLens-20M, Million Songのデータセットで検証されている。
  論文  参考訳（メタデータ） (2025-11-10T07:13:58Z)
• 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)
• Personalized Denoising Implicit Feedback for Robust Recommender System [60.719158008403376]
  ユーザの個人的損失分布には,正常なインタラクションとノイズの多いインタラクションが明確に区別されていることを示す。 本稿では,ユーザのパーソナライズロス分布であるPLDを用いてDenoiseに対する再サンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:13:06Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Bootstrapping User and Item Representations for One-Class Collaborative Filtering [24.30834981766022]
  ワンクラスの協調フィルタリング(OCCF)は、ポジティブに関連があるがまだ相互作用していないユーザーとアイテムのペアを特定することです。 本論文では,否定的なサンプリングを必要としない新しいOCCFフレームワークであるBUIRを提案する。
  論文  参考訳（メタデータ） (2021-05-13T14:24:13Z)
• Leveraging Cross Feedback of User and Item Embeddings with Attention for Variational Autoencoder based Collaborative Filtering [25.569930256022925]
  本稿では,VAEをベースとしたベイズ型MFフレームワークを提案する。 このフレームワークは、ユーザとアイテムのエンコーダへの埋め込みの相互フィードバックを反復的に行う。 現在再サンプリングされているユーザとアイテムの埋め込みに対して、行列係数化によってデータを再構築する。
  論文  参考訳（メタデータ） (2020-02-21T06:05:06Z)

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。