HyperML: A Boosting Metric Learning Approach in Hyperbolic Space for Recommender Systems
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）；University of New South Wales（新南威尔士大学）
本文研究了在非欧空间中学习用户和项目表示的概念。具体来说，我们通过探索Mobius gyrovector空间来研究双曲空间中的度量学习与协同过滤之间的联系，其中空间的形式主义可以用来推广最常见的欧几里得向量运算。总体而言，这项工作的目的是通过度量学习方法在推荐系统中弥合欧氏几何和双曲几何之间的差距。我们提出了HyperML（双曲度量学习），这是一个概念简单但非常有效的模型，可以提高性能。通过一系列广泛的实验，我们表明，我们提出的HyperML不仅优于他们的欧几里德同行，而且还实现了最先进的性能在多个基准数据集上，证明了个性化推荐的有效性在双曲几何。
2019-11-28 cs.IR cs.LG stat.ML
Hyperbolic Neural Collaborative Recommender
本文探讨了使用双曲几何和深度学习技术进行推荐。我们提出了双曲神经协作推荐（HNCR），深度双曲表示学习方法，利用用户/项目之间的相互语义关系的协同过滤（CF）任务。HNCR包含两个主要阶段：邻居构建和推荐框架。第一阶段引入邻居构建策略，根据用户与项目的历史交互，为每个用户和项目构建语义邻居集。在第二阶段，我们开发了一个基于双曲几何的深层框架，将构建的邻居集集成到推荐中。通过一系列广泛的实验，我们表明，HNCR优于其欧几里得同行和国家的最先进的基线。
2021-04-15 cs.IR
Knowledge-Enhanced Top-K Recommendation in Poincaré Ball
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
个性化推荐系统越来越重要，因为越来越多的内容和服务变得可用，用户很难确定他们可能感兴趣的内容。由于能够提供丰富的信息，知识图谱（KG）被纳入，以提高推荐性能和可解释性。为了有效地利用知识图谱，我们提出了一个双曲空间的推荐模型，这有利于学习的知识图谱的层次结构。此外，双曲线注意力网络被用来确定某一项目的相邻实体的相对重要性。此外，我们提出了一个自适应和细粒度的正则化机制，自适应正则化项目及其相邻的表示。通过使用三个真实世界的数据集与最先进的方法进行比较，我们表明，该模型在Top-K推荐的NDCG@K方面比现有的最佳模型高出2-16%。
2021-01-29 cs.IR cs.LG
Hierarchical Semantic RL: Tackling the Problem of Dynamic Action Space for RL-based Recommendations
Fudan University（复旦大学）；Kuaishou Technology（快手科技）；Tianjin University（天津大学）
HSRL通过层次化语义强化学习解决推荐系统中动态动作空间问题，利用语义ID和多级批评者提升推荐效果。
2026-02-24 cs.IR
Hamiltonian Spectral-Temporal Dissipative Dynamics for Sequential Recommendation
The Hong Kong University of Science and Technology（香港科技大学）
该研究针对现有序列推荐模型难以捕捉用户丰富动态行为的问题，提出哈密顿光谱推荐器HSR，通过二阶耗散哈密顿系统建模偏好演变，在多基准数据集上优于同类先进模型。
2026-08-27 cs.IR
Large Language Models Enhanced Hyperbolic Space Recommender Systems
Beijing Institute of Technology（北京理工大学）；Guangdong Laboratory of Artificial Intelligence and Digital Economy（广东人工智能与数字经济实验室）；Chongqing University（重庆大学）
针对现有推荐系统难以捕捉层次信息的问题，提出模型无关框架HyperLLM，从结构和语义角度提取整合层次信息，性能提升超40%，并增强训练稳定性。
2025-04-19 cs.AI cs.IR
Hyperbolic Diffusion Recommender Model
Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）；Chongqing University of Technology（重庆理工大学）；School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）
本文提出双曲扩散推荐模型 HDRM，利用双曲空间的非欧几何特性处理物品的各向异性扩散过程，以保留用户-物品图拓扑结构，并在三个基准数据集上验证其有效性。
2025-04-10 cs.AI cs.IR
HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems
Virginia Tech（弗吉尼亚理工大学）；Amazon（亚马逊）；Meta AI；Google（谷歌）；Dartmouth College（达特茅斯学院）
针对生成式推荐中LLMs与物品索引的错位及长尾物品建模难题，提出HypRQ-VAE框架，在双曲空间学习物品索引，提升了推荐尤其是尾部物品推荐的性能。
2026-09-04 cs.IR
Hgformer: Hyperbolic Graph Transformer for Recommendation
University of Tsukuba（筑波大学）；Kyoto University（京都大学）；Tsinghua University（清华大学）；The University of Tokyo（东京大学）；Baidu Inc.（百度公司）
针对跨域推荐中被忽视的长尾数据建模失真问题，提出以BiTGCF为基础、基于双曲流形并构建新型传播与迁移层的跨域协同过滤模型，在多数据集上性能优于基线模型，可缓解推荐系统冷启动问题。
2024-12-30 cs.AI cs.IR cs.LG
Leveraging Geometric Insights in Hyperbolic Triplet Loss for Improved Recommendations
HSE University（俄罗斯莫斯科国立经济大学）
本文提出一种利用双曲几何洞察和三元组损失的双曲推荐模型，通过重新表述双曲距离提升表示学习能力，在优于现有模型的同时减少流行度偏差，实现更个性化推荐。
2025-08-16 cs.IR cs.LG
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
针对传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱（KGs）来补充辅助信息的方法受到了广泛关注。通过将KG与用户-项目交互统一到一个三方图中，最近的工作探索了图的拓扑结构，以学习具有丰富语义的用户和项目的低维表示。然而，这些现实世界中的三分图通常是无标度的，其内在的层次图结构在现有的工作中是强调不足，因此，导致次优的推荐性能。为了解决这个问题，提供更准确的推荐，我们提出了一种基于双曲几何的知识感知推荐方法，即洛伦兹知识增强的图卷积网络推荐（LKGR）。在数据统一后，LKGR有助于更好地建模无标度三部图。具体来说，我们采用不同的信息传播策略，在双曲空间明确编码异构信息的历史相互作用和KG。我们提出的知识感知的注意力机制使模型能够自动测量信息的贡献，在双曲空间中产生连贯的信息聚合。在三个真实世界的基准上进行的大量实验表明，LKGR在Top-K推荐上的Recall@20的3.6-15.3%优于最先进的方法。
2022-01-02 cs.IR
HCGR: Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation
Ant Group（蚂蚁集团）；Shantou University（汕头大学）；Tianjin University（天津大学）
基于会话的推荐（SBR）通过从用户行为的演变中捕捉短期和连续的模式来学习用户的偏好。在SBR领域的研究中，基于图的方法是一种比较强大的方法，它通常通过在欧氏空间下的消息聚合来提取项目信息。然而，这样的方法不能有效地提取包含在一个会话中的连续项目之间的层次信息，这是表示用户的偏好的关键。在本文中，我们提出了一个双曲对比图推荐（HCGR），一个原则性的基于会话的推荐框架，涉及洛伦兹双曲空间，以充分捕捉项目的连贯性和层次表示。在这个框架内，我们设计了一种新的自适应双曲注意力计算聚合每个用户的偏好在一个基于会话的行为序列的图形消息。此外，利用对比学习，通过考虑双曲空间中正负样本之间的测地线距离来优化项目表示。在四个真实世界数据集上的广泛实验表明，HCGR在$HitRate$、$NDCG$和$MRR$方面始终优于最先进的基线0.43 $\%$-28.84 $\%$。
2021-07-06 cs.AI cs.IR
HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization
The Chinese University of Hong Kong（香港中文大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Harbin Institute of Technology（哈尔滨工业大学）；University of Science and Technology of China（中国科学技术大学）
在大规模推荐系统中，用户-项目网络通常是无标度的或指数扩展的。用于描述用户和项目的潜在特征（也称为嵌入）取决于嵌入空间与数据分布的匹配程度。双曲空间提供了一个宽敞的空间来学习嵌入与其负曲率和度量性质，它可以很好地适应数据与树状结构。最近，已经提出了几种双曲线方法来学习用户和项目的高质量表示。然而，他们中的大多数人都集中在开发双曲相似通过设计适当的投影操作，而双曲空间的许多有利的和令人兴奋的几何性质还没有明确地探索。例如，双曲空间最显著的性质之一是其容量空间随半径呈指数增长，这表明远离双曲原点的区域更可嵌入。针对双曲空间的几何特性，提出了基于双曲正则化的协同过滤算法（HRCF），并设计了一个几何感知的双曲正则化器。具体而言，该建议通过根对齐和原点感知惩罚来提高优化过程，这是简单而有效的。通过理论分析，我们进一步表明，我们的建议是能够解决双曲聚集所造成的过度平滑问题，也带来了更好的模型的鉴别能力。我们进行了广泛的实证分析，将我们的建议与几个公共基准的大量基线进行比较。实证结果表明，我们的方法实现了极具竞争力的性能，并超过了领先的欧几里得和双曲线基线相当大的利润。
2022-05-30 cs.AI cs.IR
HICF: Hyperbolic Informative Collaborative Filtering
The Chinese University of Hong Kong（香港中文大学）；Harbin Institute of Technology（哈尔滨工业大学）；Huawei Technologies Co.,Ltd（华为技术有限公司）
考虑到幂律分布在用户-项目网络中的普遍性，双曲空间近年来在推荐系统中引起了广泛的关注并取得了令人印象深刻的性能。双曲线推荐的优点在于其指数增长的容量非常适合描述幂律分布的用户-项目网络，而欧几里得等价物是不足的。尽管如此，仍然不清楚双曲线模型可以有效地推荐哪些项目，哪些项目不能。为了解决上述问题，我们以最基本的推荐技术--协同过滤为媒介，研究了双曲推荐模型和欧氏推荐模型的行为。结果表明：（1）双曲空间中尾项的关注度高于欧氏空间，但仍有很大的改进空间;（2）双曲空间中头项的关注度不高，但仍有很大的改进空间;（3）双曲空间中头项的关注度高于欧氏空间。基于上述观察结果，我们设计了一种新的学习方法，命名为双曲线信息协同过滤（HICF），旨在补偿头部项目的推荐效果，同时提高尾部项目的性能。其主要思想是适应双曲边缘排名学习，使其拉和推过程的几何意识，并提供信息指导的头部和尾部项目的学习。大量的实验支持分析结果，也表明了所提出的方法的有效性。这项工作对于个性化推荐是有价值的，因为它揭示了双曲空间有助于对尾部项进行建模，尾部项通常代表用户自定义的偏好或新产品。
2022-07-19 cs.AI cs.IR
SPARK: Adaptive Low-Rank Knowledge Graph Modeling in Hybrid Geometric Spaces for Recommendation
针对知识图谱增强推荐存在的噪声、稀疏性、几何空间适配不足及长尾物品建模差等问题，本文提出多阶段框架SPARK，通过低秩去噪、混合几何GNN、流行度感知自适应融合与对比学习实现更优的推荐效果，尤其提升长尾物品推荐性能。
2025-09-14 cs.IR
