基于噪声容忍图对比学习的鲁棒购物篮推荐

电子商务的发展使 Amazon、eBay 和淘宝等平台日益流行。这催生了一种涉及购物篮（一并购买的物品集合）的独特购物行为。作为社区中较少被研究的互动模式，购物篮应如何补充个性化推荐系统的问题仍待探索。尽管先前尝试侧重于联合建模用户购买与购物篮，这些元素的语义本质差异在直接整合时会引入噪声。该噪声对模型性能产生负面影响，且用户与购物篮行为中存在的显著噪声（例如，用户被误导点击某物品或消费后认为其无趣）进一步加剧了这一问题。为应对上述困难，我们提出一种通过噪声容忍对比学习的新型购物篮推荐框架，称为 BNCL，以处理跨行为整合与行为内建模中存在的噪声。首先，我们将购物篮-物品交互表示为超图以建模复杂购物篮行为，其中同一购物篮中出现的所有物品被视为单条超边。其次，设计跨行为对比学习以抑制多样行为融合过程中的噪声。接下来，为进一步抑制用户与购物篮交互的行为内噪声，我们提出通过行为内对比学习利用推荐器相对于增强的不变性。进一步设计了一种新颖的一致性感知增强方法，结合上述两类交互以更好地识别噪声交互。我们的框架 BNCL 提供了一种适用于不同骨干网络的通用训练范式。在三个购物交易数据集上的大量实验验证了我们所提方法的有效性。