计算机工程与应用

作者：张尧, 王绍卿, 郑菁桦, 韩小波, 孙福振

单位：1.山东理工大学 计算机科学与技术学院，山东 淄博 255000；2.南京航空航天大学，南京 211106；3.内蒙动力机械研究所，呼和浩特 010000；

关键词：捆绑推荐,超图卷积网络（HGCN）,图卷积网络（GCN）,对比学习,双视图框架

基金：山东省自然科学基金（ZR2021MF017）。

捆绑包能一次性满足用户多种偏好。现有的大多数捆绑推荐模型都致力于从不同角度捕捉用户偏好。但这些方法面临两个问题：（1）不能完整地捕获用户对潜在交互捆绑包的偏好；（2）未充分提取捆绑包之间的相关性。针对这两个问题，设计了一个用于捆绑推荐的双视图对比学习模型（DCLBR）。具体来说，在项目视图中，DCLBR引入项目级超图来捕获用户对潜在交互捆绑包的偏好，并使用注意力网络自适应地聚合相关性项目的表示得到捆绑包表示。在捆绑包视图中构建捆绑包级带权图来挖掘捆绑包之间的关联性。为了让捆绑包更加匹配用户兴趣，分别基于重要项目和不重要项目的掩码进行数据增强，生成消极和积极捆绑包，并应用对比学习使最终的捆绑包表示能够自适应于项目的重要性。在三个公共数据集上的实验结果表明，所提出的模型优于基线模型。

来源：2026年第5期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第5期