关于捆绑推荐的研究：方法、应用与挑战

《ACM Computing Surveys》：A Survey on Bundle Recommendation: Methods, Applications, and Challenges

本文系统综述了捆绑推荐领域的研究进展，从策略分类、方法框架、资源建设及未来挑战四个方面展开分析，提出区分式与生成式两类核心方法，并验证主流模型的复现性。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

近年来，捆绑推荐系统在学术界和工业界受到了广泛关注，因为它们能够通过推荐一组商品而非单独的商品来提升用户体验并增加销售额。本调查对捆绑推荐进行了全面回顾，首先建立了用于探索产品捆绑的分类体系。我们根据不同应用领域的捆绑策略，将其分为两类：区分性捆绑推荐和生成性捆绑推荐。然后，我们明确了这两类任务的具体内容，并系统地回顾了它们的方法：1) 区分性捆绑推荐的捆绑级和商品级的表示学习以及交互建模；2) 生成性捆绑推荐的商品级表示学习和捆绑生成。随后，我们调研了捆绑推荐的资源，包括数据集和评估指标，并对主流模型进行了可复现性实验。最后，我们讨论了该领域的主要挑战，并指出了未来的发展方向，旨在为研究人员和实践者提供有用的参考。我们的代码和数据集可在以下链接公开获取：https://github.com/WUT-IDEA/bundle-recommendation-survey。

人工智能摘要

人工智能生成的摘要（实验性）

该摘要是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的重要性，并协助来自相关研究领域的读者理解文章内容。它是对作者提供的摘要的补充，作者提供的摘要仍是文章的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。