利用几何洞察优化的双曲线三角损失
信息检索
2025-08-19 v1 机器学习
摘要
最近的研究表明，双曲几何几何对于从推荐系统中的交互数据中捕捉复杂模式具有潜力。本文引入一种新型双曲线推荐模型，通过几何洞察来改进表示学习并同时提高计算稳定性。我们对双曲距离的概念进行了重新表述，以释放传统欧几里得空间之外的额外表示容量，并学习更具表达力的用户和物品表示。为更好地捕捉用户-物品交互，我们构建一种三角损失，通过数据几何驱动的两两交互项来建模用户及其首选与非首选选择之间的三元关系。我们的双曲线方法不仅超过现有的欧几里得和双曲线模型，还减少了偏好 Popularity bias，从而实现更具多样性和个性化的推荐。
引用
@article{arxiv.2508.11978,
title = {Leveraging Geometric Insights in Hyperbolic Triplet Loss for Improved Recommendations},
author = {Viacheslav Yusupov and Maxim Rakhuba and Evgeny Frolov},
journal= {arXiv preprint arXiv:2508.11978},
year = {2025}
}