本文提供了关于在推荐系统中应该在什么情况下使用超半径空间和超半径嵌入的理论分析和实证结果，包括何种类型的模型和数据集更适合于超半径空间，以及选择哪个潜在空间大小，同时提出了一种名为 SCML 和其超半径版本 HSCML 的新的基于度量学习的推荐方法，并在不同的潜在空间模型中，包括通用项目推荐领域和社交推荐领域，以及 6 个广泛使用的数据集和不同的潜在空间大小上比较欧几里得空间和超半径空间的性能，通过将 HSCML 与其他基线方法进行比较，展示了超半径空间的最新性能。

May, 2021

本文通过研究在非欧几里得空间中学习用户和项目表示的概念，探讨了超宇称空间中度量学习和协同过滤之间的联系，旨在通过度量学习方法填补欧几里得和双曲几何之间的差距。作者提出了概念简单但高效的 HyperML（超宇称度量学习）模型，通过一系列广泛的实验，证明了该模型不仅优于欧几里得模型，还实现了多个基准数据集的最佳表现，展示了双曲几何中个性化推荐的有效性。

Sep, 2018

该论文提出了一种基于全空间双曲几何的图卷积网络模型，以更准确地捕捉用户 - 项目的交互关系，并在公共基准数据集上实验表明其性能优于欧几里得空间和双曲空间的对应方法，且达到可比较的性能只需要更低的嵌入维度。

Aug, 2021

本文提出了一种基于超几何知识增强图卷积网络的知识感知推荐方法，用于解决传统推荐系统中数据稀疏和冷启动问题，通过将知识图谱与用户 - 项目交互进行统一构建三元图来建模，采用不同的信息传播策略在超 bolic 空间中显式地编码异质信息，实现信息的协同聚合，并在三个真实数据集上进行了广泛实验证明，提出的方法优于现有最新方法，可以在 Top-K 推荐中提高 3.6-15.3％的召回率。

Aug, 2021

介绍了基于超伽马空间表示的图形学习的前沿技术，并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节，同时讨论了超伽马几何图形表示学习的进阶主题。

Nov, 2022

本研究探讨了在超几何空间内，哪些用户产品可以有效推荐，设计了一种新的学习方法 HICF，针对尾部和头部物品推荐效果不佳的问题，通过改进超几何边际排序学习的过程，提供信息指导来明确推荐目标，并在大量实验中验证了该方法的有效性。

Jul, 2022

采用超空间正则化协同过滤提出一种基于超 bolic 几何的模型优化算法，能够增强模型区分能力并避免过分平滑问题，实验结果表明在公共基准测试中具有高度竞争性的表现并超越其他欧几里得和超球面模型。

Apr, 2022

通过将 M"obius gyrovector 空间的形式主义与 Poincarе模型的 Riemannian 几何相结合，我们提出了重要深度学习工具的超几何版本：多项式逻辑回归、前馈和循环神经网络。这样可以在超几何空间中嵌入序列数据并进行分类。实验证明，即使超几何优化工具受限，超几何句子嵌入在文本蕴含和噪声前缀识别任务中的表现要么优于，要么与欧几里得变体相当。

May, 2018

使用超图及超伽玛函数嵌入学习结合预训练技术，提出在序列推荐中，基于多尺度的嵌入学习和超图卷积神经网络的超球形超图表示学习方法（H2SeqRec），有效提升了稀疏超图的动态项目嵌入学习效果及推荐性能。

Aug, 2021

该论文提出了一种基于 Poincaré ball 模型的统一框架，用于构建可伸缩、简单的超几何线性分类器，并给出了凸优化的解决方案，该算法在合成数据集和真实数据集上的表现均有很高的准确率。

Sep, 2021