面向捆绑推荐的解耦图对比学习

来源：计算机工程与应用杂志2025年第12期北京时间：

作者：张尧, 王绍卿, 吴瑕, 孙福振

单位：山东理工大学 计算机科学与技术学院，山东 淄博 255000

摘要：捆绑推荐的目的是将多个相关的项目作为一个整体推荐给用户。在捆绑推荐中，用户可能会因为捆绑包中的一个特定项目去选择该捆绑包，而用户选择项目往往包含多种意图。现有的方法主要是对用户和捆绑包的意图解耦表示进行整体建模，而忽略了不同意图之间的细微差别。设计了一个面向捆绑推荐的解耦图对比学习模型（disentangled graph contrastive learning for bundle recommendation，DCBR），解耦用户的潜在意图，并通过对比学习在宏观视图和微观视图之间构建合作关联。具体来说，分别从宏观视图和微观视图学习用户意图，并生成意图解耦表示。根据捆绑包-项目隶属关系图分别映射出用户对捆绑包的偏好。设计了一种意图级对比学习在每个意图子空间中构建两个视图的合作关联。在三个公共数据集上的大量实验表明，所提出的模型要优于基线模型，该模型在Recall和NDCG指标上分别比最佳基线提高了3.26%~6.14%、3.99%~6.78%和4.79%~7.97%。

关键词：捆绑推荐,解耦表示学习,对比学习,图神经网络