CCIIP实验室2022级本科实习生李一航和刘卓（指导导师：魏巍）的论文“EpicCBR: Item-Relation-Enhanced Dual-Scenario Contrastive Learning for Cold-Start Bundle Recommendation”被信息检索与数据挖掘领域的国际顶级会议（WSDM 2026）长文全文录用，今年的录取率仅为16.3%。WSDM2026计划与2026年2月22日至26日在美国爱达荷州召开。WSDM是中国计算机学会CCF推荐的B类国际著名学术会议，重点是搜索和数据挖掘的实用而有原则的新模型、算法设计和分析、经济影响以及准确性和性能的深入实验分析。
论文标题：EpicCBR: Item-Relation-Enhanced Dual-Scenario Contrastive Learning for Cold-Start Bundle Recommendation
论文作者： Yihang Li# , Zhuo Liu# , WeiWei*
论文概述：捆绑推荐在商业领域尤其是电子商业中十分重要，其目的在于为用户推荐一组相关物品，而非传统推荐任务中的单个物品推荐。由于捆绑推荐中相同组会被再次推荐购买的概率较低，因此历史用户的捆绑推荐交互稀疏性问题更为严重，因而也越来越多受到相关学者的关注。因此，针对捆绑推荐中的新捆绑包“冷启动”，我们提出了一种基于多视角图对比学习的物品间潜在关系挖掘+物品相对流行度建模的方法。具体而言，EpicCBR由两部分组成：（1）基于双场景框架融合来自不同（冷-热）推荐场景信息，以确保在所有用户-捆绑交互场景中都能提供有效推荐；（2）同时还提出了一种流行度感知的嵌入生成方法和项目级视图增强方法来建模用户画像，主要利用捆绑包中包含的商品历史信息（如是否在过往捆绑包中的出现情况、以及其自身受欢迎程度等）和用户偏好来生成向量特征表示，使其即使在没有直接交互数据的条件下也能被模型正确理解。通过在三个广泛使用的数据集上的评估表明，EpicCBR已超过现有相关基线模型，在冷启动场景下较最好方法性能提升了387%。充分证明了该方法在解决捆绑推荐冷启动问题上的有效性和卓越性。
EpicCBR模型图