捆绑推荐综述：方法、应用与挑战

近年来，捆绑推荐系统因其能够通过推荐一组物品（而非单个物品）来提升用户体验并增加销售额，而在学术界和工业界受到了广泛关注。本综述对捆绑推荐进行了全面回顾，首先提出了一种用于探索产品捆绑的分类方法。我们根据不同应用领域的捆绑策略将其分为两类：判别式捆绑推荐和生成式捆绑推荐。然后，我们定义了这两类的对应任务并系统性地回顾了各自的方法：1）判别式捆绑推荐的捆绑级和物品级的表示学习及交互建模；2）生成式捆绑推荐的物品级表示学习和捆绑生成。

接着，我们总结了捆绑推荐的资源，包括数据集和评估指标，并对主流模型进行了复现实验。最后，我们讨论了该领域的主要挑战，并指出了捆绑推荐领域的未来发展方向，旨在为研究人员和实践者提供有价值的资源。我们的代码和数据集已公开，访问地址为：https://github.com/WUT-IDEA/bundle-recommendation-survey。

附加关键词和短语：判别式捆绑推荐、生成式捆绑推荐、表示学习、交互建模、捆绑生成、综述

1 引言

推荐系统已经成为缓解信息过载的重要工具。多年来，单一物品推荐系统在各种领域中得到了广泛应用，成功地为用户推荐商品或服务 [10, 22, 26, 38, 42]。例如，在新闻推荐中，分析用户的阅读历史和兴趣可以推荐相关的文章，从而提升用户的参与度和满意度 [26, 92, 117, 120]。在电子商务中，推荐系统通过推荐与用户浏览或购买历史相关的产品，显著提高了销售转化率，亚马逊等平台的复杂算法正是这种应用的例子 [112]。类似地，YouTube等视频流媒体平台采用深度学习技术，确保用户可以发现他们感兴趣的视频或剧集，从而大大增加观看时长和用户留存率 [24]。Netflix的推荐系统通过复杂的算法和数据分析提供高度个性化的观看推荐，大大提升了用户体验和订阅留存率 [42]。音乐流媒体服务（如Spotify）采用协同过滤 [9, 127, 128] 和基于内容的方法 [103, 105, 119] 为用户推荐符合其偏好的单曲，提升了用户满意度和参与度 [70, 140]。此外，社交媒体平台（如Facebook和Twitter）使用推荐系统为用户提供个性化内容，从而增加用户互动并延长用户在平台上的停留时间 [47, 66]。甚至在旅行和酒店业中，推荐系统也帮助用户根据其历史行为和偏好找到理想的目的地、住宿和活动 [89]。

尽管在各种应用领域取得了显著进展，现有的推荐系统在满足用户的多样化和个性化需求方面仍面临挑战。特别是，传统的单一物品推荐可能无法满足用户在多个类别或多个物品上做出选择的全面需求。例如，一位音乐爱好者可能更希望推荐包括喜爱的艺术家的精选专辑，或符合其情绪的特定类型的音乐列表。因此，捆绑推荐系统 (Bundle RS) 应运而生 [14, 62, 108, 109, 152, 175]，它扩展了传统的单一物品推荐，推荐一组可能共同吸引用户的物品。这些方法不仅通过提供更全面的推荐来提升用户满意度，还通过推动追加销售和交叉销售机会来增加供应商的经济价值。

捆绑推荐系统的普及性

我们对推荐系统进行了高层次的概览，包括单一物品推荐、群组推荐、捆绑推荐和复杂集合推荐。如表1所示，单一物品推荐是基于用户偏好向个体用户推荐单一物品，即1对1推荐。群组推荐是向用户群推荐物品，称为1对N推荐 [144, 146, 147, 163, 176]。复杂集合推荐更加复杂，向用户群推荐一组物品，称为N对N推荐，例如向旅游团推荐一个旅行套餐。与上述三项任务不同，本综述的重点是捆绑推荐，即向单个用户推荐一组物品或捆绑，称为N对1推荐。由于其能够提升用户体验并推动商业价值，捆绑推荐已在电子商务、娱乐和旅游等领域得到广泛应用，因此成为现代推荐系统中的关键任务。例如，图1展示了产品、服装、食品、娱乐和健康等领域的几个典型捆绑推荐。在电子商务中，捆绑推荐系统帮助零售商根据客户的特定需求和偏好提供产品捆绑，从而提升购物体验并增加销售额 [91, 100, 142, 185]。例如，当一位电子产品爱好者计划购买iPhone时，捆绑推荐系统可能推荐如AirPods、Apple Watch和三合一充电器等互补产品。这些电子产品捆绑通常有折扣，进一步鼓励购买。类似地，在时尚搭配推荐中 [19, 48, 59, 84, 97, 106, 113]，图1中的第四个示例展示了一套包含上衣、裙子、高跟鞋和手提包的服装。如果客户在线购物时有特定需求（如购买派对服装），并对这套搭配感兴趣，客户可能会购买这套服装。

在娱乐行业中，Netflix、Spotify和网易云音乐等流媒体服务使用捆绑推荐系统来推荐一组电影、电视节目或歌曲，为用户提供更全面和愉悦的观看或聆听体验 [11, 14, 42, 55, 161]。类似地，Youshu和Goodreads等平台通过读者创建的书单提供个性化图书推荐 [18, 54, 100]。这些捆绑推荐根据主题、类型或读者偏好推荐互补的图书，从而增强阅读体验。餐饮场景中的膳食推荐也是捆绑推荐的一个应用 [1, 35, 79, 81, 82]。例如，用户在寻找晚餐方案时可能会获得包括西兰花沙拉、意面和冰淇淋蛋糕的三道菜推荐。这种整体的膳食推荐简化了决策过程，并可能激发用户尝试新食谱和食材。在旅行套餐推荐方面 [58, 87, 88]，假设一个家庭计划前往一个陌生城市度假，捆绑推荐系统可以推荐包含符合其兴趣和行程限制的景点的旅行套餐。这使旅行规划更方便，并确保一次难忘且全面的旅行体验。由于捆绑在各个应用领域的普遍存在，捆绑推荐系统在电子商务、娱乐和旅游等行业得到了广泛应用。

捆绑推荐系统的重要性增加

捆绑推荐系统在提升用户体验和推动商业成功方面变得至关重要。在充满选择的世界中，用户往往会因需要做出决策而感到不堪重负。通过提供个性化的物品捆绑（如书单、歌单、膳食或旅行套餐），捆绑推荐系统简化了决策过程，为用户提供一致且愉悦的体验。这一任务不仅增加了用户的满意度和忠诚度，还推动了更高的销售额。例如在电子商务中，量身定制的产品捆绑被用于满足特定的用户需求和偏好。

此外，捆绑推荐系统可以通过分析用户历史数据创建高度针对性的捆绑，并随着时间的推移和市场趋势的变化进行调整。研究界也对捆绑推荐系统进行了广泛的探索，推动了其在方法论和实践中的发展和改进。随着技术和用户期望的不断演进，捆绑推荐系统在提供全面的、个性化的推荐中仍然至关重要。

本综述的动机

随着捆绑推荐在各个领域的需求和发展不断增长，众多研究致力于提升其性能。最初，Zhu等人 [185] 提出了捆绑推荐问题，尝试通过最小化捆绑成本或最大化捆绑收入来解决该问题 [6, 185]。随后，关联规则挖掘被应用于捆绑生成和推荐 [37, 46]。当一定数量的用户-捆绑交互数据可用时，一个直观的解决方案是将捆绑视为单个“物品”，并应用传统的协同过滤方法。早期工作 [124] 忽略了捆绑中的附属物品，仅用一个id表示捆绑。意识到附属物品的重要性，一些研究 [11, 18] 尝试捕捉用户-物品交互和捆绑-物品关联关系。随着时间的推移，捆绑视图和物品视图逐渐被引入到捆绑推荐研究中 [14, 109]。考虑到捆绑推荐日益受到关注、面临新的挑战以及对创新突破的迫切需求，我们认为现在是时候对这一领域进行综述，系统性地回顾捆绑推荐系统的各种方法、应用和挑战。

本工作的独特性

鉴于推荐研究的重要性和普及性，已有许多综述从不同角度回顾了推荐系统。这些综述涵盖了可解释推荐 [172]、基于知识的推荐 [139]、基于深度学习和强化学习的推荐方法 [20]、面向准确性的推荐建模 [154]、推荐系统中的偏差和去偏差 [17]、推荐系统中的公平性 [27, 150] 等等。2020年发布的一项关于捆绑推荐的综述 [77] 主要回顾了捆绑推荐系统的主要模型方法，包括整数规划、关联分析，以及基于传统和深度学习的推荐技术。这些方法在特定应用场景中提供了有效的解决方案。随着图学习 [14, 79, 152]、对比学习 [108, 109, 175] 和知识蒸馏 [122] 等新技术的发展，捆绑推荐的研究在过去几年中取得了进一步进展。因此，我们的综述与现有综述不同，提供了更全面和最新的捆绑推荐综述，涵盖了各种捆绑推荐场景中的数据集、判别式和生成式捆绑推荐任务、表示学习方法和策略，以及交互预测和捆绑生成方法。本综述为希望跟进捆绑推荐领域最新研究的研究人员和从业者提供了便利。

通过本次综述，我们提供以下贡献：

根据不同应用场景的需求，即选择现有捆绑或生成新捆绑，我们提出了捆绑推荐任务的分类：判别式捆绑推荐和生成式捆绑推荐。通过引入这种明确的区分，我们提供了针对每个类别的通用框架，有助于为特定任务选择合适的方法。
为分类和总结现有的判别式捆绑推荐技术，我们从捆绑级和物品级两个层面对表示学习方法和策略进行了全面回顾，并总结了几种交互建模方法。此详细回顾引导研究人员探索更有效的解决方案。
为了提供对生成式捆绑推荐的全面理解，我们总结了从物品级的表示学习方法和捆绑生成方法。本综述帮助研究人员识别关键方法并激发更有效的生成模型开发。
提供了捆绑推荐的资源总结，包括数据集和评估指标。此外，我们对判别式和生成式捆绑推荐模型进行了复现实验。
我们从四个角度讨论了捆绑推荐的主要挑战和未来方向。通过突出这些挑战，我们旨在指导未来的研究克服这些障碍，推进该领域发展。

捆绑推荐的生命周期

捆绑推荐系统的有效性依赖于其随用户偏好和行为动态演变的能力。从宏观角度来看，捆绑推荐的生命周期通过三个主要组成部分相互关联：用户、数据和模型。

用户：该组成部分代表捆绑推荐系统的最终用户，他们可以是客户、读者、听众或任何在Spotify、Netflix等平台上互动的个体。
数据：包含三种主要类型。第一类是用户与单个物品或捆绑的交互数据，包括隐式或显式反馈。第二类是关联数据，描述了捆绑及其组成物品之间的关系。第三类是辅助信息，如实体的描述等。
模型：该组成部分可以是专注于推荐现有捆绑的判别式模型，或用于创建新捆绑的生成式模型。

如图3所示，整个生命周期可以通过这三个组成部分在三个不同阶段中相互连接：

用户→数据：此阶段收集用户对捆绑和物品的行为，包括隐式反馈（如浏览、点击）和显式反馈（如评分、评论）。这些行为代表了用户-捆绑交互和用户-物品交互。还收集捆绑组成信息（例如，每个捆绑内的物品）、一些辅助信息（例如，用户档案、捆绑和物品属性、上下文）。
数据→模型：此阶段旨在设计合适的模型，并利用收集到的数据训练模型，以学习用户对捆绑和物品的偏好，进一步捕捉捆绑之间的内部和外部关系。
模型→用户：此阶段中，模型将推荐或生成的结果返回给用户，通常是为未见的用户-捆绑对预测评分，或基于用户偏好生成新捆绑并推荐给用户。

在整个捆绑推荐的生命周期中，用户和捆绑推荐系统处于一个动态互相演变的过程。用户的交互和反馈以及捆绑的动态变化可持续更新并改善模型。因此，捆绑推荐的结果可以影响用户偏好，并引发捆绑组成的更新。

在这里插入图片描述

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述