본 논문은 추천 시스템에서 대규모 언어 모델(LLM)의 우수한 세계 지식 활용 능력을 활용하면서도, 기존 유클리드 공간 기반 방법의 한계를 극복하기 위해 쌍곡 공간의 기하학적 특성을 활용하는 새로운 모델인 HyperLLM을 제안합니다. HyperLLM은 구조적 및 의미론적 관점에서 계층적 정보를 추출하고 통합하는 모델 독립적 프레임워크입니다. 구조적으로는 LLM을 이용하여 계층적 부모-자식 관계를 갖는 다단계 분류 태그를 생성하고, 대조 학습을 통해 태그-아이템 및 사용자-아이템 상호작용을 학습하고 정렬합니다. 의미론적으로는 메타 최적화 전략을 통해 의미적 임베딩에서 계층적 정보를 추출하고, 의미 공간과 협업 공간 간의 간극을 해소하여 원활하게 통합합니다. 실험 결과, HyperLLM은 기존 쌍곡 공간 및 LLM 기반 추천 시스템보다 40% 이상 성능 향상을 보였으며, 학습 안정성 또한 향상시켰습니다.
