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
Breaking Information Cocoons: A Hyperbolic Framework for Balancing Exploration and Exploitation in Recommender Systems
University of California, Davis(加州大学戴维斯分校);The Hong Kong University of Science(香港科学大学);Snap Inc.(Snap公司);Yale University(耶鲁大学)
提出双曲框架HERec,通过语义增强的层次机制和自动层次聚类,在推荐系统中平衡探索与利用,有效缓解信息茧房。
2026-05-29 cs.AI cs.CL cs.IR
HSR: Hyperbolic Social Recommender
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院)
随着在线社交媒体的流行,用户的社会联系被广泛研究并用于提高推荐系统的性能。在本文中,我们探讨了使用双曲几何的社会推荐。我们提出了双曲社会推荐(HSR),一个新的社会推荐框架,利用双曲几何,以提高性能。在双曲空间的帮助下,HSR可以学习高质量的用户和项目表示,以便更好地建模用户-项目交互和用户-用户社交关系。通过一系列广泛的实验,我们表明,我们提出的HSR优于它的欧几里得同行和国家的最先进的社会网络的点击率预测和top-K推荐,证明了社会推荐的有效性,在双曲空间。
2021-02-15 cs.IR cs.LG
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
Fully Hyperbolic Graph Convolution Network for Recommendation
最近,基于图卷积网络(GCN)的方法已经取得了出色的性能推荐。这些方法将用户和项目嵌入到欧氏空间中,并在用户-项目交互图上执行图卷积。然而,现实世界中的数据集通常表现出树状层次结构,这使得欧氏空间在捕捉用户-项目关系时效率较低。相比之下,双曲空间,作为一个连续的模拟树图,提供了一个有前途的选择。在本文中,我们提出了一个全双曲GCN模型的建议,其中所有的操作都在双曲空间中进行。利用双曲空间的优势,我们的方法是能够嵌入用户/项目失真较小,更准确地捕捉用户与项目的交互关系。在公共基准数据集上进行的大量实验表明,我们的方法优于欧几里得和双曲型方法,并且需要更低的嵌入维数才能达到相当的性能。
2021-08-10 cs.IR
A Fashion Item Recommendation Model in Hyperbolic Space
University of California, San Diego(加利福尼亚大学圣地亚哥分校);ZOZO Research(ZOZO研究所);The University of Melbourne(墨尔本大学)
本文提出一种在双曲空间中学习用户与时尚单品表示并结合多任务学习的推荐模型,以更好捕捉视觉与购买历史中的隐式层级关系,实验表明其优于仅使用欧氏空间的模型。
2024-09-04 cs.CV cs.IR cs.LG
Hyperbolic Contrastive Learning with Model-augmentation for Knowledge-aware Recommendation
City University of Hong Kong(香港城市大学)
针对知识感知推荐中层次结构建模不足及图结构增强导致偏好偏移的问题,提出结合Lorentzian知识聚合与模型级增强的双曲对比学习方法,最高性能提升11.03%。
2025-05-13 cs.AI cs.IR
Performance of Hyperbolic Geometry Models on Top-N Recommendation Tasks
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Institute of Numerical Mathematics, Russian Academy of Sciences(俄罗斯科学院数值数学研究所);New York University(纽约大学)
我们介绍了一个简单的自动编码器的基础上双曲几何解决标准的协同过滤问题。与许多现代深度学习技术相比,我们只使用单个隐藏层来构建解决方案。值得注意的是,即使有这样一个最低限度的方法,我们不仅优于欧几里德对应,但也实现了竞争力的性能相对于目前的最先进的。我们还探讨了空间曲率的影响双曲模型的质量,并提出了一个有效的数据驱动的方法来估计其最佳值。
2020-08-15 cs.IR cs.LG stat.ML
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
GTR-Mamba: Geometry-to-Tangent Routing Mamba for Hyperbolic POI Recommendation
College of Computer Science and Technology, Tongji University(同济大学计算机科学与技术学院);College of Information Engineering, Zhejiang University of Technology(浙江工业大学信息工程学院);Shanghai Ballsnow Intelligent Technology Co., Ltd(上海 Ballsnow 智能科技有限公司);Hunan University(湖南大学)
GTR-Mamba通过几何到切线路由机制,提升超几何兴趣点推荐的效率和准确性。
2026-01-23 cs.AI cs.IR
Music Recommendations in Hyperbolic Space: An Application of Empirical Bayes and Hierarchical Poincaré Embeddings
iHeartRadio
矩阵分解(MF)是一种生成推荐的常用方法,其中嵌入空间中的用户或项目等实体的接近度表明它们彼此之间的相似性。虽然几乎所有的应用程序都隐式地使用欧几里得嵌入空间来表示两种实体类型,但最近的工作表明,双曲庞加莱球可能更适合表示多个实体类型,特别是层次结构。我们描述了一种新的方法来嵌入相关的音乐实体在双曲空间的层次结构。我们还描述了如何参数经验贝叶斯方法可以用来估计层次结构中的实体之间的链接可靠性。与欧几里德模型相比,将这些方法一起应用于为数字音乐服务中的用户构建个性化播放列表,在A/B测试期间产生了大量且统计学上显著的性能提高。
2019-07-24 cs.IR cs.LG stat.ML
kHGCN: Tree-likeness Modeling via Continuous and Discrete Curvature Learning
The Chinese University of Hong Kong(香港中文大学);Huawei Technologies Co., Ltd.(华为技术有限公司)
针对现实树状网络兼具树状、平坦与圆形区域导致双曲嵌入失真的问题,提出曲率感知双曲图卷积网络 κHGCN,利用离散与连续曲率引导消息传递并增强长程传播,在节点分类和链接预测上大幅优于竞争模型。
2023-07-17 cs.AI cs.LG
Where are we in embedding spaces? A Comprehensive Analysis on Network Embedding Approaches for Recommender Systems
University of Technology Sydney(悉尼科技大学);Shandong University(山东大学);The University of Queensland(昆士兰大学)
双曲空间和双曲嵌入成为推荐系统的一个热门研究领域。然而,在什么情况下应该考虑双曲空间还不清楚。为了填补这一空白,本文提供了理论分析和经验结果,何时以及在何处使用双曲空间和双曲嵌入的推荐系统。具体来说,我们回答了哪些类型的模型和数据集更适合双曲空间,以及选择哪种潜在大小的问题。我们通过比较欧氏空间和双曲空间在一般项目推荐领域和社会推荐领域的不同潜在空间模型上的性能来评估我们的答案,使用6个广泛使用的数据集和不同的潜在大小。此外,我们提出了一种新的基于度量学习的推荐方法SCML及其双曲线版本HSCML。我们评估我们的结论,双曲空间上SCML和显示的国家的最先进的性能,双曲空间比较HSCML与其他基线方法。
2021-05-19 cs.IR cs.LG
Review-Based Hyperbolic Cross-Domain Recommendation
Samsung(三星);KAIST(韩国科学技术院);Korea Institute of Energy Technology(韩国能源技术研究院)
本文提出一种基于评论文本的双曲跨域推荐方法,通过层级感知嵌入与域对齐解决数据稀疏问题,实验验证了其效率、鲁棒性和可扩展性。
2025-03-19 cs.IR cs.LG
HMamba: Hyperbolic Mamba for Sequential Recommendation
本文提出 Hyperbolic Mamba,将 Mamba 的选择性状态空间机制与双曲几何结合,以线性时间效率建模推荐序列中的层级偏好,并在四个基准上取得 3–11% 的性能提升。
2025-05-14 cs.IR
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
HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation
针对现有双曲图卷积推荐模型存在的空间特性利用不足、忽略辅助信息、收敛慢等问题,提出融合侧信息、优化嵌入初始化与聚合方式、采用定制负采样的HGCH模型,在四个真实数据集上性能优于主流基线。
2024-12-12 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
Incorporating Domain Knowledge into Health Recommender Systems using Hyperbolic Embeddings
Nova School of Business and Economics, Universidade NOVA de Lisboa(新里斯本大学商业与经济学院)
与许多其他领域相比,健康服务中的推荐系统可能特别受益于健康领域知识的整合,因为它有助于提供有意义的和个性化的推荐,以满足个人的健康需求。随着表示学习的最新进展,使健康知识的分层嵌入到双曲庞加莱空间,这项工作提出了一个基于内容的推荐系统,在初级保健的基础上,病人的健康档案,丰富的预训练庞加莱嵌入的ICD-9代码通过迁移学习。建议的模型优于传统的同行在推荐准确性方面,并有几个重要的商业影响,改善医患关系。
2021-06-14 cs.IR cs.LG
Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation
Beihang University(北京航空航天大学);Zhongguancun Laboratory(中关村实验室);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Beijing Academy of Blockchain and Edge Computing(北京区块链与边缘计算研究院)
提出MCKG方法,融合双曲、欧几里得和球面空间并采用几何感知优化,以提升知识图谱增强推荐性能。
2023-08-29 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
HAKG: Hierarchy-Aware Knowledge Gated Network for Recommendation
知识图谱在提高推荐性能和可解释性方面发挥着越来越重要的作用。最近的技术趋势是基于信息传播方案设计端到端模型。然而,现有的基于传播的方法未能(1)建模底层的层次结构和关系,以及(2)捕获项目的高阶协作信号,用于学习高质量的用户和项目表示。在本文中,我们提出了一个新的模型,称为层次感知知识门控网络(HAKG),以解决上述问题。从技术上讲,我们在双曲空间中对用户和项目(由用户-项目图捕获)以及实体和关系(在KG中捕获)进行建模,并设计了一个双曲聚合方案来收集KG上的关系上下文。同时,我们引入了一个新的角度约束,以保持嵌入空间中的项目的特性。此外,我们提出了一个双项目嵌入设计表示和传播的合作信号和知识协会分开,并利用门控聚合,以更好地捕捉用户的行为模式,以提取判别信息。在三个基准数据集上的实验结果表明,HAKG与CKAN,Hyper-Know和KGIN等最先进的方法相比取得了显着的改进。对学习的双曲嵌入的进一步分析证实,HAKG提供了对数据层次结构的有意义的见解。
2022-04-11 cs.IR
Scalable Hyperbolic Recommender Systems
University College London(伦敦大学学院)
我们提出了一个大规模的双曲推荐系统。我们讨论了为什么双曲几何是一个更合适的基础几何许多推荐系统,并涵盖了基本的里程碑和见解,我们已经从它的发展。在这样做的过程中,我们证明了双曲几何推荐系统的可行性,表明它们在具有复杂网络特性的数据集上的性能显着优于欧几里得模型。我们的方法成功的关键是新的选择基本的双曲模型和使用爱因斯坦中点定义一个非对称推荐系统在双曲空间。这些选择使我们能够扩展到数百万用户和数十万项。
2019-02-22 cs.IR cs.LG stat.ML
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
Improving Heterogeneous Graph Learning with Weighted Mixed-Curvature Product Manifold
FPT Software(FPT软件公司);VinUniversity(Vin大学)
本文提出WEIGHTED-PM方法,通过自动加权乘积流形中各几何分量来学习异构图嵌入,以降低几何失真并提升词语相似度、推荐和知识图谱嵌入等下游任务性能。
2023-07-10 cs.AI cs.LG
Lorentz Equivariant Model for Knowledge-Enhanced Hyperbolic Collaborative Filtering
South China Normal University(华南师范大学);Research Institute of China Telecom Corporate Ltd.(中国电信股份有限公司研究院)
从知识图谱中引入先验辅助信息辅助用户-项目图,可以提高推荐系统的综合性能。最近的研究表明,双曲空间的系综性质很好地拟合了上述两类图的无标度和层次特征。然而,现有的双曲方法忽略了对等方差的考虑,因此它们不能在给定的变换下推广对称特征,这严重限制了模型的能力。此外,它们不能平衡保持异构性和挖掘高阶实体信息的用户在两个图。为了填补这些空白,我们提出了一个严格的洛伦兹群等变知识增强的协同过滤模型(LECF)。创新性地,我们联合更新属性嵌入(包含来自KG的高阶实体信号)和双曲嵌入(双曲嵌入之间的距离揭示了推荐趋势)通过LECF层与洛伦兹等变变换。此外,我们提出了双曲稀疏注意力机制,以采样的信息最丰富的邻居节点。洛伦兹等方差是严格保持在整个模型中,并强制等方差是必要的实验证明。在三个真实世界的基准上进行的大量实验表明,LECF显著优于最先进的方法。
2023-03-18 cs.IR cs.LG cs.SI
SPARK: Adaptive Low-Rank Knowledge Graph Modeling in Hybrid Geometric Spaces for Recommendation
City University of Hong Kong(香港城市大学);Beihang University(北京航空航天大学)
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