본 논문은 암시적 피드백을 이용한 협업 순위 결정을 위한 새로운 신경망 구조를 제안합니다. 우리의 모델, LRML (\textit{잠재 관계 측정 학습, Latent Relational Metric Learning})은 추천 시스템을 위한 혁신적인 측정 학습 접근법입니다. 구체적으로, 사용자-아이템 쌍 간의 단순한 밀고 당기기 메커니즘 대신 각 사용자-아이템 상호작용을 설명하는 잠재 관계를 학습하는 방법을 제안합니다. 이는 기존의 측정 학습 접근법에서 발생할 수 있는 기하학적 유연성 부족 문제를 완화하는 데 도움이 됩니다. 이로 인해 성능 향상뿐만 아니라 더 큰 규모의 상호작용에 대한 모델링 능력도 향상되어, 우리의 모델이 더 많은 상호작용으로 확장될 수 있게 합니다.이를 위해 증강된 메모리 모듈을 활용하고, 이러한 메모리 블록에 주목하여 잠재 관계를 구성하는 방법을 학습합니다. 메모리 기반 주목 모듈은 사용자-아이템 상호작용에 의해 제어되며, 학습된 관계 벡터가 각 사용자-아이템 쌍에 특화되어 최적화됩니다. 따라서, 이는 각 사용자-아이템 상호작용에 대해 독점적이고 최적의 관계 변환을 학습하는 것으로 해석될 수 있습니다.제안된 구조는 여러 추천 벤치마크에서 최고 수준의 성능을 보여주며, Netflix와 MovieLens20M과 같은 대규모 데이터셋에서 Hits@10 및 nDCG@10 지표에서 다른 측정 학습 모델들보다 6\%-7.5\% 우수한 성능을 나타냅니다. 또한 질적 연구에서도 본 논문에서 제안한 모델이 암시적 피드백만으로 훈련되었음에도 불구하고 명시적인 감정, 시간적 정보 및 속성 정보를 추론하고 인코딩할 수 있다는 증거가 제시되었습니다. 이로써 LRML이 암시적 데이터셋 내의 숨겨진 관계 구조를 발견할 수 있는 능력을 확인할 수 있습니다.