본 논문은 지식 기반 추천 시스템에서 그래프 신경망(GNN)과 대조 학습을 결합한 방법의 한계점을 해결하기 위해, 쌍곡선 대조 학습과 모델 증강 기법을 제안합니다. 기존 방법들이 사용자-아이템 이분 그래프 및 지식 그래프의 계층적 구조를 효과적으로 포착하지 못하고, 그래프 구조 변경을 통한 양성 샘플 생성으로 사용자 선호도 학습의 편향이 발생하는 문제점을 지적합니다. 이를 해결하기 위해, 계층적 그래프 구조를 효과적으로 표현하는 로렌츠 지식 집계 메커니즘과, 선호도 편향을 방지하는 세 가지 모델 수준 증강 기법을 제안합니다. 실험 결과, 제안된 방법이 기존 방법들보다 최대 11.03% 향상된 성능을 보임을 확인했습니다.
