该研究提出了一种名为 BGN 的捆绑列表生成网络，使用 DPP 将个性化捆绑列表推荐问题分解为质量和多样性两个部分，并通过使用特征感知 softmax 来改善传统 softmax 表示的不足。BGN 在四个数据集上显着优于现有方法，特别是在捆绑列表推荐问题中，将最佳竞争对手的精度平均提高了 16％，同时保持了四个数据集中最高的多样性，并使响应时间提高了 3.85 倍。

Apr, 2019

本文介绍了一种基于非自回归机制的个性化捆绑生成方法，采用了预训练技术和图神经网络来提取用户偏好和物品兼容性信息，并使用自注意力机制的编码器来提取全局依赖模式，进而设计了一种置换等变的解码架构，能够直接一次性输出所需的捆绑，实验结果表明，所提出的 BundleNAT 在精度、增强精度和召回率上相较于当前最先进方法显著提高了 35.92％、10.97％和 23.67％。

Jun, 2024

利用大型语言模型的逻辑推理能力，本文探索个性化捆绑生成和基于用户交互的意图推断这两个相关的任务，通过引入动态上下文学习范式，使 ChatGPT 能从相关会话中的示范中获取量身定制和动态的教训，并在目标会话中执行任务。实验结果在三个真实数据集上证实了我们方法在这两个任务上的有效性。此外，推断的意图对于其他有趣的下游任务，如设计吸引人的捆绑名称，也能发挥作用。

Dec, 2023

本研究旨在探索 Bundle MCR 的推荐任务，并提出了一种新的框架，将其作为多智能体的 Markov 决策过程来描述，并提出了一种名为 Bunt 的模型体系，实现了通过多轮会话透露用户兴趣，解决打包推荐时存在的交互效率低和输出空间大的问题。实验证明了该方法的有效性。

Jul, 2022

本研究提出了一种名为 BGCN 的图神经网络模型，可以使用异构图同时建模用户 - 项目交互，用户 - 套餐交互和套餐 - 项目关联，通过固定负样本采样进行训练，能够更好地区分用户对相似套餐的喜好，并且在两个真实世界数据集上展现了强大性能的提升

May, 2020

本文提出了一种利用高斯图与原型对比学习（GPCL）框架来解决捆绑推荐中的不确定性和采样偏倚问题的方法，并在公共数据集上取得了最新的最佳性能。

Jul, 2023

提出了一种交叉任务知识蒸馏框架，通过引入辅助任务和校准蒸馏方法，解决了多任务学习中涉及的任务冲突、不一致和同步优化的问题，在实现细粒度推荐、跨任务知识转移等方面有显著效果。

Feb, 2022

该研究研究了面向知识密集型任务的检索增强式生成模型的多任务训练。通过利用知识密集型生成的独特属性：查询 - 答案对与知识库中项目的联系，我们提出了一种清理训练集的方法。使用关联性标签的置信度阈值过滤训练样本，以确定是否可以通过知识库回答一对查询 - 答案。我们在 KILT 基准测试的七个组合任务上对单个 FiD 生成器进行训练。实验结果表明，我们简单而有效的方法大大改进了两个强烈不平衡的任务上的竞争基线，并在其余任务上显示出较小的改进或无显着退步。此外，我们表明，与增加的模型容量一样，我们的关联标签采样的多任务训练能够良好地缩放，并在 KILT 任务的五项中取得了最佳结果。

Jul, 2022

现代电子商务中，多种内容形式的物品特征为推荐系统提供了精确而全面的信息。本研究提出了一种基于图形的物品结构增强方法 MM-GEF：多模态图形早期融合推荐，通过将多模态特征的潜在物品结构与协作信号相结合，有效地改善了物品表示。在四个公开数据集上进行的大量实验证明了我们方法在多模态推荐技术方面的系统改进。

Aug, 2023

提出了一种名为 Multi-view Intent Disentangle Graph Networks（MIDGN）的新模型，可以更精确、全面地捕捉用户意图的多样性和物品的联系，并通过对比学习框架，改善了从不同视角解开的用户意图。实验表明，MIDGN 优于现有的最先进方法。

Feb, 2022