Multi-View Intent Disentangle Graph Networks for Bundle Recommendation解读

简要论述

　　bundle recommendation 的目的是向user推荐一个整体的bundle package about items。以前的模型捕获了user对item and item关联的偏好。然而，忽略了user在adopt item时的意图的多样性！并且未能在向量表示中理清user 的意图。在bundle rec 的实际场景中，user 的 intent可以自然的分布在该user的不同bundle中（global view），而bundle可以包含user的多个intent（local view）。

　　每个view在intent分解方面都有其优势：1）从 global view来看，需要更多的item来呈现每一个intent，这可以更加清楚的展示user在每个intent下1的偏好。2）从local view来看，它可以揭示每个intent之间的关联，因为同一bundle中的item彼此高度相关。为此，MIDGN，它能够在更精细的粒度上精确的和全面的捕获user intent和item关联的多样性！具体地说，MIDGN分别从两个不同的角度对用户的inten进行了分解：1）在global view，将user的intent与bundle package中的item相结合；2） 在local view，MIDGN将用户的intent和每个bundle package中的item相结合。同时，我们在对比学习框架下比较从不同视图中分离出来的user intent，以改进学习intent。

问题描述

 

模型结构graph

 

 （a）图分解模块，分别在全局视图和局部视图下分解与user intent耦合的user-item和bundle-item交互；（b） 交叉视图传播模块，其在不同视图下传播与用户意图耦合的协作信号；（c） 意图对比模块，以鼓励用户在不同视图和预测模块下的意图的相关性。

Graph Disentangling Model

　　在这个model中，首先将每个user/bundle的embedding放到K个chunks，并将每个chunks与user的一个inten耦合。然后，设计一种结合邻居路由机制的GNN，来分离user-item and bundle-item graph，并细化了意图感知的user/bundle representation！

　　Initialization of intent-aware embeddings and graphs.

　　假设user有K个intent，并将每个user/bundle的embedding分割成不同特征空间的k个块。与每个intent耦合，分别独立初始化user和bundle package嵌入chunks。

　　形式上，user and bundle package 的embedding表示为：