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

论文概况

本文是2022年KDD上的一篇捆绑推荐论文，通过使用两个简单有效的lightgcn聚合方式处理U-B图和U-I-B图，利用对比学习对齐两个视图的信息，最终对用户捆绑点击行为进行预测。

Introduction

作者提出问题

• 捆绑推荐模型一般包含U-B图和U-I-B图，然而现阶段模型中两种视图的协作关系被简单的建模甚至忽略了，例如：
  

bundle view更关注用户之间的行为相似性（协同过滤），item view更关注用户的点击内容相似性。相应的，从U-B图看来，模型会给u1推荐b4，然而从U-I-B图看，模型应该推荐b2和b3。因此简单的聚合处理两个图信息是不合理的。
对于上述问题，作者提出了CrossCBR模型
(1) 在捆绑推荐中建立跨视图协作关联
(2) 提出了一种简单而有效的捆绑推荐器CrossCBR，通过跨视图对比学习对两个视图之间的合作关联进行建模。

Method

A.Learning of Two Views’ Representations

捆绑推荐需要捆绑视角下的用户表征、捆绑表征，以及物品视角下的用户表征、物品表征、捆绑表征。在CrossCBR中，作者使用简单的lightgcn聚合更新方式来求得上述表征。bundle view下计算如下：

$$\{\begin{array}{l}{\mathrm{e}}_u^{B(k)}={\sum }_{b\in {\mathcal{N}}_u}\frac{1}{\sqrt{|{\mathcal{N}}_u|}\sqrt{|{\mathcal{N}}_b|}}{\mathrm{e}}_b^{B(k-1)},\\ {\mathrm{e}}_b^{B(k)}={\sum }_{u\in {\mathcal{N}}_b}\frac{1}{\sqrt{|{\mathcal{N}}_b|}\sqrt{|{\mathcal{N}}_u|}}{\mathrm{e}}_u^{B(k-1)},\end{array}\text{\hspace{1em}(1)}$$
$${\mathrm{e}}_u^{B\ast }=\sum _{k=0}^K{\mathrm{e}}_u^{B(k)},{\mathrm{e}}_b^{B\ast }=\sum _{k=0}^K{\mathrm{e}}_b^{B(k)}.\text{\hspace{1em}(2)}$$
同理，Item-view下计算如下：
$$\{\begin{array}{l}{\mathrm{e}}_u^{I(k)}={\sum }_{i\in {\mathcal{N}}_u}\frac{1}{\sqrt{|{\mathcal{N}}_u|}\sqrt{|{\mathcal{N}}_i|}}{\mathrm{e}}_i^{I(k-1)},\\ {\mathrm{e}}_i^{I(k)}={\sum }_{u\in {\mathcal{N}}_i}\frac{1}{\sqrt{|{\mathcal{N}}_i|}\sqrt{|{\mathcal{N}}_u|}}{\mathrm{e}}_u^{I(k-1)},\end{array}\text{\hspace{1em}(3)}$$
$${\mathrm{e}}_u^{I\ast }=\sum _{k=0}^K{\mathrm{e}}_u^{I(k)},{\mathrm{e}}_i^{I\ast }=\sum _{k=0}^K{\mathrm{e}}_i^{I(k)}\text{\hspace{1em}(4)}$$
Item-view下，捆绑表征是该捆绑包含的所有物品表征的均值：
$${\mathrm{e}}_b^{I\ast }=\frac{1}{\left|{\mathcal{N}}_b\right|}\sum _{i\in {\mathcal{N}}_b}{\mathrm{e}}_i^{I\ast }.tag5$$

B.Cross-view Contrastive Learning

(1)CrossCBR采用了一种简单的边缘丢弃（ED）的随机增强方法，该方法随机去除一定比例原始图形的边数。边缘丢弃背后的基本原理在于保留了图的核心局部结构。因此，可以增强所学习的表示的鲁棒性以对抗某些噪声。
(2)CrossCBR使用消息丢弃（MD），它在图形学习期间以一定的丢弃率随机屏蔽传播嵌入的一些表征。
信息增强后的对比学习计算如下:
$$\begin{array}{rl}& {\mathcal{L}}_U^C=\frac{1}{|\mathcal{U}|}\sum _{u\in \mathcal{U}}-\log \frac{\exp \left(s\left({\mathrm{e}}_u^{B\ast },{\mathrm{e}}_u^{I^{\ast }}\right)/\tau \right)}{{\sum }_{v\in \mathcal{U}}\exp \left(s\left({\mathrm{e}}_u^{B^{\ast }},{\mathrm{e}}_v^{I\ast }\right)/\tau \right)}\\ & {\mathcal{L}}_B^C=\frac{1}{|\mathcal{B}|}\sum _{b\in \mathcal{B}}-\log \frac{\exp \left(s\left({\mathrm{e}}_b^{B\ast },{\mathrm{e}}_b^{I\ast }\right)/\tau \right)}{{\sum }_{p\in \mathcal{B}}\exp \left(s\left({\mathrm{e}}_b^{B\ast },{\mathrm{e}}_p^{I\ast }\right)/\tau \right)}.\end{array}\text{\hspace{1em}(6)}$$
对比学习损失为：
$${\mathcal{L}}^C=\frac{1}{2}\left({\mathcal{L}}_U^C+{\mathcal{L}}_B^C\right)\text{\hspace{1em}(7)}$$

C.Prediction and Optimization

本文中的预测方法为两个视图下的相似度和：
$$y_{u,b}^{\ast }={\mathrm{e}}_u^{B\ast \top }{\mathrm{e}}_b^{B\ast }+{\mathrm{e}}_u^{I\ast \top }{\mathrm{e}}_b^{I\ast }\text{\hspace{1em}(8)}$$
损失函数为：
$${\mathcal{L}}^{BPR}=\sum _{\left(u,b,b^{\prime }\right)\in Q}-\ln \sigma \left(y_{u,b}^{\ast }-y_{u,b^{\prime }}^{\ast }\right).\text{\hspace{1em}(9)}$$
$$\mathcal{L}={\mathcal{L}}^{BPR}+{\lambda }_1{\mathcal{L}}^C+{\lambda }_2\Vert \Theta {\Vert }_2^2\text{\hspace{1em}(10)}$$

总结

CrossCBR以相对简单而有效的方法进行捆绑推荐，这是我看的第一篇捆绑推荐文章，采用的数据集与其他推荐方向不太相同，无法与其他方向的推荐模型横向对比性能。