论文《CrossCBR: Cross-view Contrastive Learning for Bundle Recommendation》

CrossCBR的主要工作：

1.用两个视图的表征学习,使用简化BGCN中的图结构的LightGCN：删除U-B和U-I中的self-connections(SC)和bundle-bundle connections(BB)。消融实验证明SC和BB对实验结果没有什么贡献

2.使用三种数据增强的方法：

（1）不增强（OP）

（2）基于图的边删除(ED)

（3）基于嵌入的删除(MD)

实验表明三种方法的结果差别很小，作用不大，今后可以探索更先进、更有效的数据扩充方法

3.对比学习

用两个视图的数据计算loss

          即为对比学习中得出的loss(但不是最终loss)，消融实验表明对实验结果影响巨大，去掉使模型性能下降

         还探究了对比学习的loss公式，若使用只扩大跨视图协作（Alignment）的负交叉视图余弦相似度代替，模型性能下降，若只鼓励跨视图离散（Dispersion），即将原来的余弦相似度固定为1，模型性能下降

4.预测和调优

训练后模型对u-b做出预测，公式为

然后使用传统贝叶斯BPR计算

     最终的loss值为

     

 其中是自定义参数，应用在optimizer的weight_decay中

 在实际运行计算loss时，先计算，然后反向传播计算梯度，再使用optimizer.step()用修正