HyperML

В работе исследуется обучение представлений пользователей и предметов в неевклидовом пространстве. Конкретно рассматривается связь между метрическим обучением в гиперболическом пространстве и коллаборативной фильтрацией через изучение пространств Мёбиуса-гировекторов, формализм которых может быть использован для обобщения распространённых евклидовых векторных операций. В целом цель работы — преодолеть разрыв между евклидовой и гиперболической геометрией в системах рекомендаций посредством подхода метрического обучения. Мы предлагаем HyperML (Hyperbolic Metric Learning) — концептуально простую, но высокоэффективную модель для повышения производительности. Серией обширных экспериментов мы показываем, что HyperML не только превосходит свои евклидовые аналоги, но и достигает передовых результатов на нескольких эталонных наборах данных, демонстрируя эффективность персонализированных рекомендаций в гиперболической геометрии.