協調フィルタリング（Collaborative Filtering, CF）は、レコメンデーションシステム分野で広く研究されているトピックである。一般的に、CFモデルの学習は、インタラクションエンコーダ、損失関数、およびネガティブサンプリングの3つの主要な構成要素に依存している。既存の多くの研究は、より強力なインタラクションエンコーダの設計に注力しているが、損失関数やネガティブサンプリング比率の影響についてはまだ十分に探求されていない。本研究では、損失関数の選定およびネガティブサンプリング比率が、同等に重要な役割を果たすことを示す。具体的には、コサインコントラスティブ損失（Cosine Contrastive Loss, CCL）を提案し、これを単純な統一型CFモデルであるSimpleXに組み込む。本研究では、11のベンチマークデータセット上で広範な実験を実施し、合計29の既存CFモデルと比較した。驚くべきことに、本研究で提案するCCL損失関数と大きなネガティブサンプリング比率を用いることで、SimpleXは多くの複雑な最先端モデルを大きく上回る性能を達成した（例えば、LightGCNに対してNDCG@20で最大48.5%の向上）。我々は、SimpleXがCF分野における今後の研究を促進するシンプルかつ強力なベースラインとして機能するだけでなく、損失関数およびネガティブサンプリングの改善に向けた新たな研究方向性を示す可能性を秘めていると考えている。本研究のソースコードは、https://reczoo.github.io/SimpleX にて公開される予定である。