커뮤니티 내 인기도를 통한 암시적 피드백 기반 추천 시스템의 신뢰할 수 있는 네거티브 샘플링을 향하여

Towards Reliable Negative Sampling for Recommendation with Implicit Feedback via In-Community Popularity

암시적 피드백으로부터 학습하는 것은 긍정적인 상호작용만 관찰되고 명시적인 부정적 신호를 사용할 수 없는 현대 추천 시스템에서 근본적인 문제이다. 이러한 환경에서 네거티브 샘플링은 효과적인 선호도 학습과 순위 최적화를 가능하게 하는 네거티브 아이템을 구성함으로써 모델 학습에 중요한 역할을 한다. 그러나 신뢰할 수 있는 네거티브 샘플링 전략을 설계하는 것은 실제성(realness), 난이도(hardness), 해석 가능성(interpretability)을 동시에 보장해야 하므로 여전히 어려운 과제로 남아 있다. 이를 위해 우리는 사용자 커뮤니티 구조를 활용하여 신뢰할 수 있고 유용한 정보를 제공하는 네거티브 샘플을 식별하는 새로운 프레임워크인 \textbf{ICPNS (In-Community Popularity Negative Sampling)}를 제안한다. 우리의 접근 방식은 아이템 노출이 잠재적인 사용자 커뮤니티에 의해 주도된다는 통찰에 기반한다. 이러한 커뮤니티를 식별하고 커뮤니티 내 인기도를 활용함으로써, ICPNS는 아이템 노출 확률을 효과적으로 근사한다. 결과적으로, 사용자 커뮤니티 내에서 인기가 있지만 클릭되지 않은 아이템은 더 신뢰할 수 있는 진정한 네거티브(true negatives)로 식별된다. 4개의 벤치마크 데이터셋에 대한 광범위한 실험은 ICPNS가 통일된 평가 프로토콜 하에서 대표적인 네거티브 샘플링 전략들을 능가하며, 그래프 기반 추천 모델에서 일관된 성능 향상을 보이고 행렬 분해(MF) 기반 모델에서 경쟁력 있는 성능을 달성함을 입증한다.

Learning from implicit feedback is a fundamental problem in modern recommender systems, where only positive interactions are observed and explicit negative signals are unavailable. In such settings, negative sampling plays a critical role in model training by constructing negative items that enable effective preference learning and ranking optimization. However, designing reliable negative sampling strategies remains challenging, as they must simultaneously ensure realness, hardness, and interpretability. To this end, we propose \textbf{ICPNS (In-Community Popularity Negative Sampling)}, a novel framework that leverages user community structure to identify reliable and informative negative samples. Our approach is grounded in the insight that item exposure is driven by latent user communities. By identifying these communities and utilizing in-community popularity, ICPNS effectively approximates the probability of item exposure. Consequently, items that are popular within a user's community but remain unclicked are identified as more reliable true negatives. Extensive experiments on four benchmark datasets demonstrate that ICPNS yields consistent improvements on graph-based recommenders and competitive performance on MF-based models, outperforming representative negative sampling strategies under a unified evaluation protocol.