组合购推荐综述

博主点评：组合推荐越来越受到重视，聚焦用户采购产品，解决他的问题，比如送礼物、服装搭配、婚庆购物等，使用方式也多样，比如：

• 电子商务平台：在商品详情页推荐“常购搭配”，在购物车页面推荐互补商品（如购买手机后推荐保护壳和贴膜），以提升客单价。
• 内容与媒体平台：创建和推荐主题明确的歌单、影单或书单，帮助用户发现新内容。
• 服务行业：提供旅行套餐（机票+酒店+门票）、膳食组合等，满足用户的一站式需求。

组合推荐的核心是满足用户在特定场景下的关联需求。思考用户购买主产品是为了完成什么任务或处于什么情境（如周末露营、节日送礼、办公室午休），然后提供该场景下可能需要的所有互补产品。例如，销售泳衣时，可以潜在关联推荐防晒霜

代码地址：https://github.com/WUT-IDEA/bundle-recommendation-survey

发表日期：

摘要：

摘要：近年来，由于能够通过推荐一组商品而不是单个商品来增强用户体验并增加销售额，组合推荐系统在学术界和工业界都受到了广泛关注。

本综述对捆绑推荐进行了全面回顾，

一、首先介绍了一种探索产品组合的方法论。我们根据各种应用领域的组合策略将其分为两类：判别式组合推荐和生成式组合推荐。

二、然后我们对这两类任务进行形式化描述，并系统地回顾了其方法：1）从组合和单商品级别学习表示以及用于判别式组合推荐的交互建模；

2）从项目级别学习表示以及用于生成式组合推荐的组合生成。

三、随后，我们调查了组合推荐的数据集和评估指标资源，并在主流模型上进行了可重复性实验。

四，最后 我们讨论了该领域的主要挑战，指出了未来的研究方向，旨在为研究人员和实践者提供一个有用的资源。

论文地址：https://arxiv.org/abs/2411.00341

怎么实现组合的挖掘：

（1） 基于数据驱动：利用大数据分析消费者的购买历史和行为，找出那些经常被一起购买的商品组合（即“频繁项集”）。例如，通过分析历史订单发现A品牌咖啡和某款咖啡杯的联合购买概率很高，就可以将它们捆绑推荐。算法（如Apriori、FP-Growth）可以帮助自动化地发现这些高置信度的商品关系