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