小红书精读：Hypergraph-Enhanced Dual Convolutional Network for Bundle Recommendation

超图+双通道，捆绑推荐涨了7%？

各位算法同学们，捆绑推荐里那个老毛病又被人拿出来治了：物品信息要传到捆绑分数上，中间得绕好几跳，绕完信号也淡了。这篇干脆把 user–bundle、user–item、bundle–item 三类关系全塞进一张超图，NetEase 上六个指标一起涨 5%~7%。

📄 Hypergraph-Enhanced Dual Convolutional Network for Bundle Recommendation

🔧 构造了一张“完整超图”：三类交叉关系全部保留，另外补上 intra-user 和 intra-bundle 的同类型关系，靠共享邻居计数加阈值 n 筛出来。注意“complete”指的是覆盖指定关系类型，不是 all-to-all 全连接。

🧩 双通道传播：一条在完整超图上传播带物品的高阶上下文，另一条只在 user–bundle 图上传播以保住排序信号，最后按 α、β 加权相加而不是拼接，维度不变、不额外增参。item 表征只走第一条通道。

⚙️ 卷积本身没有特征变换和非线性，逐层聚合照搬 LightGCN 的加权方式，损失用 UIB。所以新意不在卷积算子，在关系怎么建、两条通道怎么耦合。

📊 NetEase 上 HED-128 比最强 baseline 在六个指标上提升 5.04%–6.97%；Youshu 上 HED-64 提升 1.87%–4.56%。

📈 这六个指标是 Recall 和 NDCG 各三个 cutoff，不是单点挑出来的好看数。

✅ 消融显示 user–bundle 分支和 intra-type 关系都有贡献，超参灵敏度分析给出了稳定区间。

⚠️ 论文自己把完整超图的内存和计算代价摊开写了，这点比很多同类工作实在。

判断一下：如果你做的是游戏、音乐这种打包售卖场景，而且三张交互矩阵都拿得到，这套关系构造可以照着搭；但共享邻居阈值 n 是数据集特定的，原始计数天然偏向活跃用户和热门 bundle，换数据得重调。上手前先量一下内存峰值，超图随实体数膨胀，这一关往往比精度更早卡住你。

原文：AlphaXiv