HyperML: 하이퍼볼릭 공간에서 추천 시스템을 위한 부스팅 메트릭 학습 접근법

본 논문은 비유클리드 공간에서 사용자와 아이템 표현을 학습하는 개념을 연구합니다. 특히, 모비우스 기로벡터 공간(Mobius gyrovector spaces)에서 공간의 형식주의를 활용하여 가장 일반적인 유클리드 벡터 연산을 일반화할 수 있는 방법을 탐구하면서, 쌍곡공간에서의 메트릭 학습과 협업 필터링 사이의 관계를 분석합니다. 전반적으로 이 연구는 메트릭 학습 접근법을 통해 추천 시스템에서 유클리드 기하학과 쌍곡기하학 사이의 간극을 줄이려는 목표를 가지고 있습니다. 우리는 성능 향상을 위해 개념적으로 단순하지만 매우 효과적인 모델인 HyperML (Hyperbolic Metric Learning)을 제안합니다. 광범위한 실험을 통해 제안된 HyperML이 유클리드 대응모델보다 우수한 성능을 보임은 물론, 여러 벤치마크 데이터셋에서 최고 수준의 성능을 달성함으로써 쌍곡기하학에서 개인화된 추천의 효과성을 입증하였습니다.