小赵带你读论文-Personalized Bundle Recommendation in Online Games

前言

原文链接：Link prediction

主要解决的问题：捆版推荐，以往多是单个物品推荐，或者将bundle的商品视作一个物品进行推荐，没有积累bundle的描述或者分类信息（单个商品有），如何衡量不同包之间的相关性。

方法使用

节点种类不同的问题，本质上是一个link prediction的问题。再次使用GCN，GCN可以同时学习拓扑结构和节点属性。R-GCN对GCN进行改进，节点可以是不同type的。

解决冷启动问题，首先Embedding，然后将每个隐藏层的layer表示抽出然后concat(我们认为不同隐藏层的表示含义不同)，然后将hu和hi的最终表示concat以预测u->i的偏好，同理预测u->b的偏好。在没有bundle以往数据的情况下同样可以进行推荐。

新Loss指标的选取，使用BPR作为loss,用户以前有交互的是positive，用户以前没有交互的是neg(交叉训练)

解决标签偏斜问题，我们更新u的时候会影响b的表示，反之同理。我们使用min-batch解决这个问题，随机删掉一些边（类似于bert中的random mask），然后预测这些边的weights，

其他：也有工程的实现。