146个性化互补产品推荐摘要安雁加州大学圣地亚哥分校SanDiego，CA，USAayan@eng.ucsd.eduChaosheng Dong，Yan Gao，Jinmiao Fu，Tong Zhao，Yi Sun，Julian McAuley亚马逊关闭WA，USA{chaosd,yanngao,jinmiaof,zhaoton,yisun,jumcaule}@amazon.com我最喜欢的颜色是粉红色互补产品推荐的目的是提供经常一起购买的产品建议，以满足共同的需求。现有的工作主要集中在人口水平上的产品关系建模，但没有考虑不同客户的个性化偏好。在本文中，我们提出了一个我个性化互补产品推荐框架能够推荐适合客户需求和偏好的产品具体来说，我们模型的产品关系和用户偏好的图形注意力网络和顺序行为Transformer，分别。 两个网络通过个性化的重新排序和对比学习被铸造在一起，其中用户和产品嵌入以端到端的方式共同学习。系统识别不同的客户-通过从他们的购买历史以及客户和产品之间的相关性中学习，实验结果表明，我们的模型受益于学习个性化的信息，并优于非个性化的方法对真实的生产数据。CCS概念• 计算方法→神经网络。关键词互补产品推荐，个性化，图神经网络ACM参考格式：董朝生，高燕，傅金淼，赵通，孙毅，Julian McAuley。2022年 个性化配套产品推荐。 在网络会议2022（WWW '22同伴）的同伴程序，2022年4月25日至29日，虚拟活动，里昂，法国。ACM， 美国纽约州纽约市，6页。https://doi.org/10.1145/3487553.35242221介绍补充产品推荐（CPR）旨在推荐经常一起购买的产品。一般来说，CPR试图找到一组建议来优化最终目标，这可能是收入，多样性，客户点击率等中的一个或组合。在最近的工作[11，23]中，典型的第一步是形成一个大规模的产品图，其中产品表示为节点，它们的关系表示为边。随后本作品在知识共享下许可署名-非商业性使用-禁止演绎国际4.0许可协议。WWW©2022版权归所有者/作者所有。ACM ISBN978-1-4503-9130-6/22/04。https://doi.org/10.1145/3487553.3524222图1：为什么在互补产品推荐中需要个性化的示例。利用图神经网络（GNN）来利用这种图结构并获得用于预测的乘积嵌入然而，来自客户个性化偏好的一个关键信息 如图1所示，当给定一个查询产品（计算机）时，一个没有个性化的普通补充产品推荐模型将为所有用户推荐相同的产品列表。 如果两个用户对颜色有不同的偏好，或者之前已经购买了特定的产品，这将是不理想的，因为它将资源浪费在客户不打算购买的产品上。因此，它不可避免地限制了我们向个人客户推荐的相关候选产品的总数 针对同一查询产品，不同用户有不同的互补性共购选择，提出将个性化信息融入互补性产品推荐。在CPR中对个性化信息进行建模是非常重要的。这些挑战包括如何有效地建模客户偏好，如何利用一般建议和个性化信息并从中受益，以及如何解决实践中的数据稀疏问题。简单地设置一些任意的规则（例如， 排除之前购买的某些产品或推荐具有他们喜爱的颜色的产品）来对客户偏好进行建模是不可缩放的，因为购买历史是多样的并且是有噪声的，所以共同购买决策是复杂的并且难以明确地建模。因此，我们设计了一个框架，个性化的互补产品推荐。更具体地说，我们利用图形注意力网络（GAT）[34]来捕获产品关系，并利用Transformer [33]来捕获来自用户过去行为的信号我们把这两种模式(2)个性化补充推荐(1)非角色补充建议147..（）下一α=sof tmax（） （2）i，j j--关于我们chas edp roductsP={p，. . ，p}，我们首先用h1n--{（（）}WWW安岩、董朝生、高岩、付金淼Tong Zhao，Yi Sun，Julian McAuley查询项嵌入&iTop-k产品排名重新排名的Top-k产品Transformer全连接层…个性化嵌入个性化重新排序Self-attentionP1P2使用对比学习图2：我们的个性化互补产品推荐框架的说明通过重新排名，并在一个联合的端到端的框架内对他们进行在实践中，存在数据稀疏性问题，即客户在大量产品上进行了广泛的购买。 为了学习更健壮的序列模型，我们进一步在框架中引入了对比学习方案。通过将个性化与我们提出的方法，它可以推荐不同的复杂的产品，为不同的客户给出相同的查询，以及提高整体推荐性能。总的来说，我们的贡献有三个方面：• 我们结合GAT和Transformer模型来捕获用户行为序列背后的序列信号。• 我们提出了一个重新排序模块与对比学习的个性化互补产品推荐，使有效的端到端的培训。• 我们进行了全面的实验，以显示我们的方法，它优于非个性化的方法在命中率方面的有效2方法我们在图2中展示了我们的框架。我们使用一个图形注意力网络模型的产品关系，和Transformer模型的用户历史。 这两个模块通过重新排序损失联合学习，并通过对比学习增强。2.1图形注意力网络我们的非个性化互补产品推荐的基线模型是基于图形注意力网络，灵感来自以前的工作[11]。它以每个产品的标题和评论特征Ti作为输入开始，并将通用嵌入模块Φ应用于所有产品，该通用嵌入模块由两个前馈层和一个批量归一化层组成，以获得初始k维嵌入θi，如等式（1）所示。（1）：θi=Φ（Ti）=σ（（TiW1+b1）W2+b2）（1）其中σ是批归一化层，W1∈Rd×k和W2∈Rk×k是权重矩阵。然后，该嵌入θi被馈送到GAT层，GAT层选择性地聚合来自所有本地连接的邻居，以微调前馈网络中的参数。更具体地说，给定乘积i和相邻乘积的集合j中，基于在softmax函数上归一化的θi和θj来计算注意力向量αi，j，其可以在对Ni中的产品j进行汇总时自适应地捕获相似性。不θi θ我们可以从GAT中学习乘积关系嵌入为θi=∑j∈Niαi，jθj，并将其用于预测。给定查询乘积i，我们通过GAT模块获得其嵌入θi，并计算θi与所有其他乘积嵌入θj之间的距离。top-k列表用于补充推荐。学习产品级特征的目标函数是优化铰链损耗：G=∑ ∑max0，i∈Iy∈±1其中损失试图将θi和θ+i之间的距离拉得小于λ−，同时将θi推离距离大于λ+的随机负样本θ−i。I是产品集。θ±i=θ+i，θ−i，分别对应于y=+1，− 1。λ和λ是控制距离的超参数。我们建议读者参考[11]，续费2.2用户行为建模为了学习用户历史活动，我们利用具有位置编码的Transformer按照[33]的设计以顺序方式对购买历史进行如果用户的最近一次标题特征以获得特征序列T = t1，t2，...，tn，然后将序列馈送到Transformer编码器中。我们使用第一个GNN我的乘积关系图u补充产品推荐148点击@1 点击 @3点击@10（）下一页--0否则--个性化互补产品推荐WWW从所述Transformer的隐藏状态嵌入作为上下文用户嵌入u：u= transformer t 1，t 2，.，（4）2.3个性化重新排名在获得产品关系嵌入和用户嵌入之后，我们通过重新排序模块引入个性化。用于学习个性化重新排序的目标函数是优化以下铰链损失：PR=∑ ∑{max（0，方法产品级别类别级别产品类型级别表1：电子商务数据集的性能比较。 GAT是一种非个性化基线，仅使用具有类似模块的产品功能[11]。 投影使用i，c∈Iy∈±1损失类似于Eq。（3），λ和λ相同。 +c是同一客户在一个会话中与i共同购买的产品，−c是随机负样本。两个特征之间的距离通过从历史购买中学习的用户偏好嵌入u来加权。在推理期间，给定来自非个性化模型的前k个推荐Sk，我们基于向量乘法θ u重新排名该前k个列表。2.4对比学习尽管成功地将Transformer应用于顺序用户行为建模，但这种顺序预测任务需要使用稀疏的训练数据来优化模型，这使得难以学习高质量的用户表示。为了应对这一挑战，我们利用对比学习进行序列建模，从原始行为序列中学习自监督信号。给定一个购买产品的序列P = p1，...，pm从直接级联的用户和产品嵌入，而不是乘法方程。（五）、GAT+Avg是平均用户购买历史没有顺序建模。GAT+Trans是在没有对比学习的情况下使用Transformer我们的最终方法是GAT+对比学习的Trans。0。050。040。030。020。010。0025 50 75 100 125 150 175 200重新排序大小对于用户，我们对该产品序列应用随机裁剪和重新排序以创建两个视图（即，两个增广序列）P1和P2。这两个序列通过行为变换器以获得两个增强用户嵌入u1和u2。我们将（u1，u2）视为正对，并将与阴性样本S-相同的小批量。我们的对比损失是：图3：不同重新排序大小的性能从模型中的推荐Sk，每个会话的Hit@k得分被定义为：命中@ k ={1（Sk）>= 1，k = 1，3，5，10.=∑logexp（sim（u1，u2））s∈S（六）我们在产品、类别1和产品类型级别上报告Hit@kCLu∈Uexp（sim（u1，u2））+−∑−exp（sim（u1，s−））3.2性能比较总的来说，该模型是优化的混合图级损失、个性化重新排序损失和对比学习损失：热损失 =λG+λ1λPR+λ2λCL（7）其中λ1和λ2是衡量两种损失的超参数3实验3.1实验装置数据集。我们在一个电子商务数据集上进行了实验。我们随机抽取了2020年6月至2020年11月期间有合作购买会话的10,000名客户，并收集了他们最近一个月的相应购买历史用于用户行为建模，即，2020年5月 我们将客户随机分为8 K/1 K/1 K进行训练/验证/测试。评价用于对任务进行我们比较了我们的个性化模型与不同的方法。作为如表1所示，我们的个性化模型优于非个性化模型在所有级别的命中率基线，证明个性化的补充建议的必要性。GAT+Avg的表现不如GAT，这可能是由于缺乏对用户嵌入的参数学习通过对GAT+Avg和GAT+Trans的比较，验证了顺序用户建模的重要性最后，增加对比损失来学习鲁棒的用户顺序表示可以进一步提高性能。3.3消融研究重新排列大小。 我们测试重新排序列表的大小如何影响性能，如图3所示。从经验上讲，我们发现较小的列表大小会导致具有小k的top-k推荐的性能稍好（例如，k = 1，3），但总体上，对于从20到200的列表大小，结果是相当稳健的。是Hit@k得分。给定一个产品会话（查询产品，共同购买测试数据中的共同购买产品J）和top-k1类别：它可以被视为每个产品类型下的子集。命中率点击@1 点击@3点击@10点击@10点击@10GAT0.0065 0.014 0.0410.2580.501投影0.0015 0.0050.0110.0610.137GAT+平均值0.0056 0.0120.0340.2170.420GAT+跨0.0069 0.0170.0440.2630.528149纸纸文件夹点击@30.0070 0.0159 2017年12月31日点击率@10 0.02600.0383 1999年12月15日WWW产品输入用户输入公制one-hot BERT+R BERT DemoPur演示+Pur表2：作为产品或用户建模输入的不同功能的消融研究。结果报告在我们的personalized模型W/O对比学习。用户购买历史非个性化推荐查询个性化推荐订书机日历便利贴回形针文件夹热门商品：Sticky Notes图4：来自非个性化和个性化模型的推荐结果示例。热门产品是便利贴。不同的特征。 为了研究不同特征选项的贡献，我们对表2中的GAT和Transformer模型的输入特征进行消融研究。首先，为了通过图神经网络学习产品关系，我们测试了三个产品输入。one-hot是基于Category的one-hot编码，BERT是通过预训练的BERT模型从产品标题中提取表示，BERT+R是进一步添加与产品相关的功能，如评论评级，价格，品牌。然后，我们测试哪些功能有助于用户建模。 Demo是根据用户使用在线购物网站的时间，购买频率等建立用户的静态人口统计特征。 Pur 是 用 一个 Transformer 来 模拟 用户 的购 买历 史 。Demo+Pur是将两个功能融合在一起。总的来说，我们发现了更丰富的功能（例如， 将BERT表示用于产品嵌入，以及具有人口统计特征的购买历史）作为输入导致更好的性能。3.4为例为了更好地理解我们的模型，我们在图4中提供了案例研究。当给定修正带作为查询产品时，常见的推荐可以是某种类型的论文，如来自非个性化模型的最推荐产品。然而，由于用户在过去的一个月中已经购买了许多纸张，合理的结果将是避免推荐用于该购买的纸张。 我们的个性化模型可以考虑这种历史模式，并且论文不会显示在个性化模型的前5名推荐中。安岩、董朝生、高岩、付金淼Tong Zhao，Yi Sun，Julian McAuley4相关工作4.1互补产品推荐系统被广泛用于根据产品特征和用户行为推荐相关产品。一些作品[1，2，11，15，19，20，26- 28，36，37，42，45，48]试图识别两个产品是否互补，使得可以基于先前的购买或浏览模式推荐互补产品。此外，图神经网络的最新进展[9，10，18，35，38，43]启发了基于图的复杂模型。产品推荐[11，22，23，47]。然而，这些方法主要是在产品层面上操作，缺乏对用户偏好建模的考虑。以前的一项工作[28]将个性化建模为风格偏好，但没有建模用户的连续历史。我们直接在一个统一的个性化框架中考虑产品关系和用户偏好4.2用户行为建模用户行为建模在推荐中起着至关重要的作用[17]认为长期兴趣对于个性化和从用户访问的网页中提取用户兴趣层次是重要的[21]建议对用户对该类别的长期兴趣进行建模。[6]递增地对长期和短期用户配置文件得分进行建模，以表达用户这些传统方法通过特征工程而不是通过自适应端到端学习来对长期兴趣进行最近的基于深度学习的方法[30，32，44]提出联合建模长期和短期用户兴趣，以提高点击率预测或新闻推荐的推荐质量。在本文中，我们提出了一个框架，将个性化到复杂的产品推荐，建议兼容的产品，不仅基于产品关系，但也用户偏好。4.3对比学习对比学习[8，29]已广泛应用于机器学习的许多 我们的目标是通过对比正负对来学习一个表示。最近的研究表明，对比学习可以提高计算机视觉任务中自监督和半监督学习的性能[4，12，16]。在自然语言处理中，它也被研究用于各种任务[13，24，40，41]。在这项工作中，我们有兴趣将对比学习应用于顺序用户建模。与以前将对比学习应用于顺序推荐的工作不同[25，39]，我们使用对比目标来构建个性化的鲁棒表示。5结论我们提出了一个个性化框架的补充产品推荐。 该模型将用户购买历史编码为个性化嵌入，并使用图注意力网络学习产品特征。然后通过重新排序模块对其进行联合训练我们在电子商务数据集上进行了实验，我们的方法显着优于非个性化的，显示了将个性化添加到补充产品推荐任务的有效性和必要性。 在未来，我们将探索更多的功能，如用户行为建模的点击和添加到购物车的历史记录，并将个性化扩展到替代产品推荐[3，5，14，27，31，46，49]。修正带打印纸纸纸便利贴文件夹点击@1 0.00300.00580.00690.0056 0.00650.0069150个性化互补产品推荐WWW引用[1] Unaiza Ahsan ， Xiquan Cui ， Rebecca West ， Mingming Guo ， Khalifeh AlJadda，et al. 2020.在线零售中使用深度多模态嵌入的补充建议。2020年IEEE，1774[2] Marina Angelovska ， Sina Sheikholeslami ， Bas Dunn ， and Amir HPayberah.2021年用于检测互补产物的连体神经网络。在计算语言学协会欧洲分会第16次会议的会议记录：学生研究研讨会。65比70[3] Randolph E Bucklin，Gary J Russell和V Srinivasan。1998年 市场占有率弹 性 与 品 牌 转 换 机 率 之 关 系 。Journal ofMarketing Research 35 ， 1（1998），99-113.[4] TingChen ， SimonKornblith ， MohammadNorouzi ， andGeoffreyHinton.2020年。视觉表征对比学习的一个简单框架。 在机器学习国际会议上。PMLR，1597[5] 陈彤、尹洪志、叶冠华、黄子、王扬、王梦。2020. 试试这个：个性化和可解释的替代推荐。第43届国际ACM SIGIR信息检索研究与开发会议论文集。891-900[6] ChristinaYip Chung ， Abhinav Gupta ， Joshua M Koran ， Long-Ji Lin ， andHongfengYin. 2011年。行为定向系统中长期和短期用户简档分数的增量更新。美国专利7，904，448。[7] JacobDevlin ， Ming-WeiChang ， WendonLee ， andKristinaToutanova.2018年Bert：深度双向转换器的预训练，用于语言理解。 arXiv预印本arXiv：1810.04805（2018）。[8] Michael Gutmann和Aapo Hyvärinen。2010. Noise-Contrast Estimation：ANew Estimation Principle for Unnormalized Statistical Models. 第十三届人工智能与统计国际会议论文集。JMLR研讨会和会议记录，297[9] William L Hamilton，Rex Ying和Jure Leskovec。2017年。大图上的归纳表示学习。第31届神经信息处理系统国际会议论文集。1025-1035年。[10] William L Hamilton，Rex Ying和Jure Leskovec。2017.图上的表示学习：方法与应用。arXiv预印本arXiv：1709.05584（2017）。[11] 郝俊恒，赵彤，李进，董欣露娜，克里斯汀·法鲁索斯，孙一舟，王伟。2020年。P-Companion：一个用于多样化互补产品推荐的原则性框架 第29届ACM信息&知识管理国际会议论文集。2517-2524[12] Kaiming He，Haoqi Fan，Yuxin Wu，Saining Xie，and Ross Girshick.2020年。用于无监督视觉表示学习的动量对比。IEEE/CVF计算机视觉与模式识别会议论文集。9729-9738。[13] 黄佳吉，李毅，魏平，黄亮。2018年 大间隔神经语言模型。arXiv预印本arXiv：1808.08987（2018）。[14] 佟健、范阳、左震、王文博、道成妈妈、赵通、董朝生、高岩、孙毅。2022年基于列表损失的多任务GNN替代推荐算法。在网络会议的配套程序中。[15] Wang-ChengKang ， Eric Kim ， Jure Leskovec ， Charles Rosenberg ，and Julian McAuley. 2019.完成外观：基于场景的互补产品推荐。IEEE/CVF计算机视觉与模式识别会议论文集。10532-10541[16] Prannay Khosla ， Piotr Teterwak ， Chen Wang ， Aaron Sarna ， YonglongTian，Phillip Isola，Aaron Maschinot，Ce Liu，and Dilip Krishnan.2020年。监督对比学习。神经信息处理系统的进展33（2020）。[17] Hyoung R Kim和Philip K Chan。2003年。 学习隐式用户兴趣层次的个性化背景。第八届智能用户界面国际会议论文集。101比108[18] Thomas N Kipf和Max Welling。2016年。 图卷积网络的半监督分类。arXiv预印本arXiv：1609.02907（2016）。[19] 苏希尔·库马尔和米顿·达斯·古普塔2019年。c + GAN：补充时尚项目推荐。arXiv预印本arXiv：1906.05596（2019）。[20] 李智，吴波，刘琦，吴丽康，赵宏科，梅涛。2020年。 学习组合视觉连贯性以获得补充建议。arXiv预印本arXiv：2006.04380（2020）。[21] Hongche Liu和Zamanian女士2007年 基于组合的短期和长期用户行为兴趣在网络上选择和递送广告的框架。美国专利申请11/225，238。[22] Weiwen Liu ， Yin Zhang ， Jianling Wang ， Yun He ， James Caverlee ，Patrick PK Chan，Daniel S Yeung，and Pheng-Ann Heng. 2021.用于电子商务 的 项 目 关 系 IEEE Transactions on Neural Networks andLearning Systems（2021）.[23] Yiding Liu，Yulong Gu，Zhuoye Ding，Junchao Gao，Ziyi Guo，YongjunBao，and Weipeng Yan.2020年。用于推断可替换和互补项的解耦图卷积网络第29届ACM信息&知识管理国际会议论文集。2621-2628[24] 杨柳和孙茂松2015年。具有非局部特征的对比无监督词对齐。 在AAAI人工智能会议上，卷。第二十九章。[25] ZhiweiLiu，Yongjun Chen，Jia Li，Philip S Yu，Julian McAuley，andCaiming Xiong. 2021.具有鲁棒增强的对比自监督顺序推荐。arXiv预印本arXiv：2108.06479（2021）。[26] Mansi Ranjit Mane，Stephen Guo，and Kannan Achan.2019年。基于四元组网络的互补相似性学习 arXiv预印本arXiv：1908.09928（2019）。[27] Julian McAuley，Rahul Pandey，and Jure Leskovec. 2015.可替代和互补产品网络的推断。第21届ACMSIGKDD知识发现和数据挖掘国际会议论文集。785[28] Julian McAuley，Christopher Targett，Qinfeng Shi，and Anton Van DenHengel.2015.基于图像的样式和替代品建议。第38届ACM SIGIR国际信息检索研究与发展会议论文集。43比52[29] Aaron van den Oord，Yazhe Li，and Oriol Vinyals. 2018. 使用对比预测编码的表示学习。arXiv预印本arXiv：1807.03748（2018）。[30] Qi Pi，Weijie Bian，Guorui Zhou，Xiaoqiang Zhu，and Kun Gai.2019年。用于点击率预测的长序列用户行为建模实践。第25届ACM SIGKDD知识发现数据挖掘国际会议论文集。2671-2679[31] Allan D Shocker，Barry L Bayus和Namwoon Kim。2004年。现实世界中的产品互补和替代：“其他产品”的相关性。 Journal ofMarketing 68，1（2004），28-40.[32] Yang Song，Ali Mamdouh Elkahky，and Xiaodong He. 2016.用于时间推荐的多速率深度学习。第39届国际ACM SIGIR信息检索研究与发展会议论文集。909-912.[33] Ashish Vaswani ， Noam Shazeer， Niki Parmar， Jakob Uszkoreit ， LlionJones ， Aidan N Gomez ， Jakukasz Kaiser ， and Illia Polosukhin.2017年。注意力就是你所需要的神经信息处理系统的进展。5998-6008[34] Petar Veličković，Guillem Cucurull，Arantxa Casanova，Adriana Romero，PietroLio ， and Yoenetro Bengio. 2017. 图 注 意 力 网 络 。 arXiv 预 印 本arXiv：1710.10903（2017）。[35] Xiao Wang，Houye Ji，Chuan Shi，Bai Wang，Yanfang Ye，Peng Cui，andPhilip S Yu.2019. 异构图注意力网络。在万维网大会上。2022-2032.[36] 王紫涵，姜晓江，任兆春，唐继良，尹大伟。2018年电子商务中鉴别可替代产品和互补产品的路径约束框架。第十一届ACM Web搜索和数据挖掘国际会议论文集。619-627[37] Jui-Chieh Wu ， José Antonio Sánchez Rodríguez ， and Humberto JesúsCorona Pampín.2019年。基于会话的补充时尚建议。 arXiv预印本arXiv：1908.08327（2019）。[38] Zonghan Wu ， Shirui Pan ， Fengwen Chen ， Guodong Long ， ChengqiZhang ， andS Yu Philip.2020年。图神经网络综述IEEE transactions onneural networks and learning systems32，1（2020），4[39] Xu Xie ， Fei Sun ， Zhaoyang Liu ， Shiwen Wu ， Jinyang Gao ， BolinDing ， and Bin Cui.2020 年 。 顺 序 推 荐 的 对 比 学 习 arXiv 预 印 本 arXiv：2010.14395（2020）。[40] AnYan ， Zexue He ， Xing Lu ， Jiang Du ， Eric Chang ， AmilcareGentili，Julian McAuley，and Chun-Nan Hsu. 2021年 用于胸部X射线报告生成的弱监督对比学习。arXiv预印本arXiv：2109.12242（2021）。[41] 杨宗翰，程勇，刘扬，孙茂松2019年。减少神经机器翻译中的单词遗漏错误：对比学习方法。（2019年）。[42] 杨子静，叶嘉波，王琳琳，林欣，何亮。2022年基于动态策略网络的知识感知路径推理推理可替代互补产品基于知识的系统235（2022），107579。[43] Rex Ying ， Ruining He ， Kaifeng Chen， Pong Eksombatchai ， William LHamilton，and Jure Leskovec.2018.用于网络规模推荐系统的图卷积神经网络。第24届ACM SIGKDD国际知识发现会议论文集数据挖掘。974-983。[44] Bingqing Yu，Jacopo Tagliabue，Ciro Greco，and Federico Bianchi.2020年。“一张图片胜过一千个功能”：用于会话中预先输入个性化的可扩展产品表示。在2020年网络会议的配套程序中。461-470[45] HangYu，Lester Litchfield，Thomas Kernreiter，Seamus Jolly，and KathrynHemp-stalk. 2019年。补充建议：简要调查。2019年高性能大数据和智能系统国际会议（HPBD IS）。IEEE，73-78.[46] ShijieZhang，Hongzhi Yin，Qinyong Wang，Tong Chen，Hongxu Chen，andQuocViet Hung Nguyen. 2019年。用深度网络嵌入推断可替代产品在IJCAI。4306-4312[47] Wei Zhang，Zeyuan Chen，Hongyuan Zha，and Jianyong Wang.2021年基于图的序列产品推荐中替代互补关系的学习。 ACM信息系统交易（TOIS）40，2（2021），1-28。151WWW安岩、董朝生、高岩、付金淼Tong Zhao，Yi Sun，Julian McAuley[48] Yin Zhang，Haokai Lu，Wei Niu，and James Caverlee.2018年质量感知的神经补充项推荐。第12届ACM推荐系统会议论文集。七十七比八十五[49] Zheng Liyuan，Zhen Zuo，Wenbo Wang ，Chaosheng Dong ，MichinariMomma，and Yi Sun.2021年基于Neighbor-SIM注意机制的异构图神经网络替代产品推荐。图上的深度学习：方法论和应用研讨会。
