Hierarchical graph-based mixup for bundle recommendation

doi:10.1108/IJWIS-11-2025-0385

Hierarchical graph-based mixup for bundle recommendation

2026-03-01

0

PRE

AI

DOI：10.1108/IJWIS-11-2025-0385

原文链接

原文求助

摘要

En 中文

目的本文旨在解决当前基于图神经网络（GNN）的捆绑推荐系统存在的若干局限性。这些模型随着聚合层数的增加往往会出现表示退化问题，并且忽略了对于提升推荐性能至关重要的隐式交互模式。为解决这些局限性，我们提出了一种新型模型——基于层次图混合的捆绑推荐（HGMBR），该模型在物品和捆绑视图之间整合了混合技术，以学习更高质量的推荐表示。设计/方法/途径所提出的HGMBR模型采用基于多层感知器（MLP）的残差网络从用户-捆绑和用户-物品嵌入中提取隐式交互特征。随后，基于图的混合模块在捆绑和物品视图内执行插值操作。此过程通过捕捉显式和隐式交互，有效丰富了用户和捆绑的表示。此外，跨视图混合模块对齐了两个视图中的用户表示。发现针对三个公开可用数据集的广泛实验表明，HGMBR缓解了深层聚合层中的表示退化问题，并减轻了捆绑稀疏性问题，在捆绑推荐任务中显示出优于现有模型的优势。创新性/价值HGMBR捕捉隐式交互特征，并采用层次化的混合技术丰富用户和捆绑表示。这产生了稳健且具有区分性的嵌入，这些嵌入对噪声的敏感性较低，并显著提升了推荐性能。

Keyword:

Bundle recommendation

Graph neural network

Mixup

Graph over-smoothing

Hierarchical graph-based mixup for bundle recommendation

摘要

期刊

机构

引用论文