Bundle Recommendation

Matching User with Item Set: Collaborative Bundle Recommendation with Deep Attention Network

Liang Chen, Yang Liu, Xiangnan He, Lianli Gao and Zibin Zheng

IJCAI 19

挑战：

• bundle是item集合，不能按照普通item来处理
• User-Bundle的交互会更加稀疏

解决办法：

• 聚合item的embedding 来得到bundle的embedding
• 多任务的方式共享底层网络,集成User-item交互中的协同信号用于User-Bundle推荐。

模型设计：

Bundle embedding生成：

中间这个部分是对注意力做一个归一化，用来抵消不同Bundle可能有不同数量的item造成的影响，保证不管bundle含有多少item，最后的embedding数值不会有过大差异。

整体思路为Bundle的embedding等于各个item的embedding*注意力权重的和。

a(i,j)：User对item的注意力

是类似矩阵分解的方法计算得到的

aj为item的注意力嵌入

Bundle Recommendation with Graph Convolutional Networks

Jianxin Chang, Chen Gao, Xiangnan He, Yong Li, Depeng Jin

切入点：

• User和Bundle的层级关系没有显示建模
• Bundle和Bundle的关系没有考虑
• User会因为一个不喜欢的Item而拒绝Bundle，所以两个Bundle直接的差异是交互的关键

解决办法：

• 显示建模User item Bundle的关系
• 利用图上bundle-item-bundle的源路径，表示bundle和bundle之间的关系
• training with hard-negative samples 探索bundle之间的差异

模型设计：

• 异构图构造

  三种节点两种边

  User item bundle 节点

  User-item交互边， item-bundle交互边

• 两个level的embedding传播

  item level

  

  类似传统User-item模型，用邻居信息和自身旧信息 更新自身

  最后聚合item来表示bundle

  Bundle level

  

  User 是通过自身和邻居信息更新

  Bundle还利用Mb 加入了 bundle-item-bundle路径中其他bundle的item重叠性信息，便于学到更精细的嵌入，解决切入点3

• 预测打分

  

  

  类似NGCF把多次传播后得到的embeddings拼接在一起

  

  用两个level内积之和来生成最后的预测打分。

优化方法：

hard-negative samples

模型大致收敛后，专门学习用户跟大多数item有交互，但是没有跟bundle交互的样本以及和正样本重叠度高的负样本。

Bundle Recommendation认识

• 数据稀疏：User-Bundle交互数据很少

  解决办法：和交互多的User-item共享权重 / 合理选择采样手法来深入学习稀疏的交互

• User-Item-Bundle三者关系表示

  DAM 分开考虑 User-item User-bundle Bundle-item

  BGCN 用异构图整合三种节点

• Bundle嵌入的学习策略

  DAM设计注意力机制，把item整合成bundle嵌入

  BGCN 有两套学习路线：整合item 和 从Bundle的邻居中学习