标签：Multi Disentangle Graph bundle item 视图 intent user view

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：

标签：Multi,Disentangle,Graph,bundle,item,视图,intent,user,view
来源： https://www.cnblogs.com/99kol/p/16673914.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。