基于图卷积网络的捆绑推荐
信息检索
2020-05-08 v1 机器学习
摘要
捆绑推荐旨在向用户推荐一组作为一个整体消费的物品。现有方法通过共享模型参数或以多任务方式学习，将用户-物品交互建模融入捆绑推荐，但无法显式建模物品与捆绑包之间的从属关系，也未能探索用户选择捆绑包时的决策过程。在本工作中，我们提出了一种名为 BGCN（Bundle Graph Convolutional Network，捆绑图卷积网络）的图神经网络模型用于捆绑推荐。BGCN 将用户-物品交互、用户-捆绑包交互和捆绑包-物品从属关系统一到一个异质图中。以物品节点为桥梁，用户节点与捆绑包节点之间的图卷积传播使得学习到的表示能够捕获物品级语义。通过基于难负样本采样器（hard-negative sampler）的训练，进一步区分了用户对相似捆绑包的细粒度偏好。在两个真实世界数据集上的实证结果表明 BGCN 具有强劲的性能提升，其表现优于最先进的基线方法 10.77% 至 23.18%。
引用
@article{arxiv.2005.03475,
title = {Bundle Recommendation with Graph Convolutional Networks},
author = {Jianxin Chang and Chen Gao and Xiangnan He and Yong Li and Depeng Jin},
journal= {arXiv preprint arXiv:2005.03475},
year = {2020}
}
备注
Accepted by SIGIR 2020 (Short)