Leveraging Geometric Insights in Hyperbolic Triplet Loss for Improved Recommendations

Ch. 1. P. 1217–1221.

Юсупов В. А., Рахуба М. В., Фролов Е. П.

Недавние исследования продемонстрировали потенциал гиперболической геометрии для получения сложных свойств из данных взаимодействий в рекомендательных системах. В этой работе мы представляем новую гиперболическую рекомендательную модель, которая использует геометрическую информацию для улучшения обучения представлений и повышения стабильности вычислений одновременно. Мы переформулирвали понятие гиперболических расстояний, чтобы раскрыть дополнительные возможности представления по сравнению с обычным евклидовым пространством и изучить более выразительные представления пользователей и товаров. Чтобы лучше отразить взаимодействие пользователя с товарами, мы создали триплетную функцию потерь, которая моделирует троичные взаимодействия между пользователями и их соответствующие предпочтительные и непредвзятые варианты выбора с помощью сочетания попарных условий взаимодействия, определяемых геометрией данных. Наш гиперболический подход не только превосходит существующие евклидовы и гиперболические модели, но и снижает зависимость от популярности товаров, что приводит к более разнообразным и персонализированным рекомендациям.

Ключевые слова: matrix factorizations, матричные факторизации, рекомендательные системы, гиперболическая геометрия, hyperbolic geometry, recommender systems

В книге

RecSys '25: Proceedings of the Nineteenth ACM Conference on Recommender Systems

ACM, 2025.