增强捆绑推荐中的条目级捆绑表示
信息检索
2023-11-29 v1
摘要
捆绑推荐方法为用户提供一组关于特定主题的相关条目。当前最先进（SOTA）的方法利用对比学习在捆绑级与条目级学习表示。然而，由于捆绑级与条目级偏好之间的固有差异，条目级表示可能无法从捆绑归属关系中获取充足信息以作出准确预测。在本文中，我们提出一种新方法 EBRec（Enhanced Bundle Recommendation 的缩写），其包含两个增强模块以探索固有的条目级捆绑表示。首先，我们提出引入捆绑-用户-条目（B-U-I）高阶相关性以探索更多协同信息，从而增强先前仅依赖捆绑-条目归属信息的捆绑表示。其次，我们通过用预训练模型生成的相互作用增强观测到的用户-条目相互作用，进一步增强了 B-U-I 相关性，从而改进条目级捆绑表示。我们在三个公开数据集上进行了广泛实验，结果证明了我们的方法以及两个核心模块的有效性。代码与数据集可在 https://github.com/answermycode/EBRec 获取。
引用
@article{arxiv.2311.16892,
title = {Enhancing Item-level Bundle Representation for Bundle Recommendation},
author = {Xiaoyu Du and Kun Qian and Yunshan Ma and Xinguang Xiang},
journal= {arXiv preprint arXiv:2311.16892},
year = {2023}
}