BGCN Rec：模型结构概述

简单论述

　　BGCN将user-item interaction,user-bundle interaction和bundle-item affiliation 关联到统一的异构图中。以项目节点为桥梁，使用GCN在user和bundle节点之间的图卷积传播使得学习到的表示捕获项目级语义。

　　BGCN提出现拥有的bundle rec model的一些局限性：

　　1.Separated modeling of two affiliated entities

　　参数共享没有显示的建模user，item和bundle之间的关系，并且多任务的方式难以平衡主任务和辅助任务的权重

　　2.Substitution of bundles is not considered

　　现有work仅考虑bundle中item的相关性，以增强item training task，however，作为推荐目标的bundle之间的关联更为关键

　　3.Decision-making is ignored when users interact with bundles

　　在项目级，即使用户喜欢bundle中的大多数项目，但可能会因为一个不喜欢的item而ignored this bundle。在bundle级，对于两个高度相似的bundle，user最终选择的关键是它们的非重叠部分。

Heterogeneous Graph Construction

 

 Item Level Propagation

　　用户对bundle中的item的偏好可以引起user对this bundle 的关注和interest。由于bundle中的item是经过精心设计的，它们通常在功能上相互兼容，并组成一些语义来影响user的选择上下文。例如，带有床垫和床架的bundle反应了卧室家具的意义，带有西装和领带的bundle则反应了工作场所着装的含义。

　　为了捕获item的user interest，在user和item之间构建一个嵌入式传播层。从item到bundle的信息池可以从项目级获取bundle的语义信息。

 

Bundle Level Propagation

　　设计了一个bundle到用户嵌入传播模块，从bundle层学习 to bundle的偏好。然后，执行用户绑定嵌入传播以提取绑定整体属性。由于高度重叠的bundle package在吸引用户方面表现出相似的模式，基于bundle package项目和bundle package元路径上的重叠程度进行加权propagation，以获取bundle package之间的替代关系。bundle级的嵌入更新规则可以如下公式化

 

 

 Prediction

 

Training with Hard Negatives 

　　由于bundle package包含更多的item，价格更高，用户在bundle package场景中做出决策或花钱时通常会谨慎，以避免不必要的风险。例如，即使用户喜欢bundle package中的大多数item，但可能会因为存在一个不喜欢的item而ignore this bundle。对于两个高度相似的budnle package，用户最终选择的关键是它们的非重叠部分。

　　采用了一种在隐式推荐系统中广泛使用的成对学习方式。然后，在模型收敛后，以一定概率引入硬负样本进行更详细的训练。