추천 시스템은 현재 전자상거래 및 리뷰 플랫폼 전반에 널리 활용되고 있으나, 상호작용 데이터가 극도로 희소할 때(이른바 콜드 스타트 문제) 종종 어려움을 겪는다. 이를 완화하기 위해 많은 접근법은 보조 측면 정보(예: 소셜 링크 또는 아이템 속성)를 통합하고 관련 도메인으로부터의 전이 학습을 활용한다. 특히 사용자 제공 리뷰는 희소한 피드백 데이터를 풍부하게 하기 위해 널리 사용되어 왔다. 그러나 기존의 리뷰 기반 크로스 도메인 방법들은 일반적으로 유클리드 잠재 공간을 가정하는데, 이는 사용자-아이템 상호작용이 지니는 고유한 계층적(power-law) 성질을 충분히 포착하지 못할 수 있다. 유클리드 공간에서는 작은 업데이트가 거리를 선형적으로 보존하는 경향이 있다. 반면에 쌍곡선 공간에서는 약간의 변화가 큰 왜곡을 유발하여 잠재 계층 구조를 붕괴시킬 수 있다. 본 연구에서는 쌍곡선 기하에서 동작하며 계층 구조를 명시적으로 보존하는, 리뷰 기반 크로스 도메인 추천을 위한 새로운 프레임워크를 제안한다. 우리의 모델(HEAD)은 사용자와 아이템을 쌍곡선 다양체에 임베딩하고, 세심하게 설계된 정렬 절차를 사용한다. 구체적으로, 차수(degree) 기반 정규화는 노드 거리들을 정렬하여 인기(고차수) 엔터티를 강조하고, 스케일 정규화된 도메인 판별기는 안정적인 크로스 도메인 특징 매칭을 보장한다(이론적 분석 참조). 이러한 계층 인지 기법들은 순진한 정렬에서 비롯되는 지수적 쌍곡선 부피의 붕괴를 방지한다. 우리는 이 접근법을 이론적 통찰과 광범위한 실험을 통해 검증하였으며, HEAD가 유클리드 및 정렬되지 않은 기준 모델들에 비해 우수한 정확성과 견고성을 달성함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.