跨视图对比学习文章浅读

CrossCBR: Cross-view Contrastive Learning for Bundle Recommendation (arxiv.org)

（总体框架）

文章针对的问题分为两个视图，一个是包视图，一个是商品交互视图

文章首先要对两个视图的表征进行学习

1.包视图

首先基于用户-包交互矩阵X构建用户-捆绑包二分图，即 U-B 图。然后采用基于GNN的推荐框架LightGCN来学习用户和捆绑包的表征。第k层的信息传播表示为下式

2.

商品交互视图

跨视图对比学习：

数据增广：

本文采用两种方法

1.基于图的数据增强

2. 基于embedding的增强

也可以不采用数据增强，直接用原始视图进行对比学习

包视图和商品视图每个视图都捕获了用户偏好的一个独特方面，两个视图必须协同工作以提高整体性能。采用流行的 InfoNCE 损失，分别建立在用户和捆绑包的交叉视图表征之上。

本文介绍了跨视图对比学习的一种方法，和其所对应的应用场景，可供学习