通过重复项目上的超图卷积学习购物篮表示，用于下一购物篮推荐

基于摘要分析。本文研究下一购物篮推荐中的购物篮表示学习，提出 Basket Representation Learning（BRL），通过超图卷积建模篮内项目及重复购买项目之间的相关性，并结合对比学习突出重复项目的信息。 原问题与机制：作者认为，常见池化方法将篮内项目视为独立同分布，难以充分利用共现关系；已有部分方法虽重视重复购买，却忽略了同一购物篮内重复项目之间的相关性。作者报告，真实数据分析支持这些相关性的重要性。BRL 将一个购物篮的全部项目连接为超边，并将其中的重复项目另连为超边，以分别建模整体共现和强化重复项目关系。此外，方法通过对重复项目进行数据增强构造负视图、对非重复项目进行数据增强构造正视图，再利用对比学习强化重复项目上的一致性。具体增强操作、损失形式及超图卷积实现尚未验证。 结果与证据边界：作者报告，在三个真实数据集的下一购物篮推荐评估中，BRL 的排序准确性优于八个基线。摘要未给出数据集名称、划分方式、具体排序指标或提升幅度，因此不能量化收益，也不能据此判断改进在不同数据条件下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一机制依赖离散项目身份、购物篮分组以及可识别的重复购买关系，不能直接等同于连续 EEG 的时空结构。若 EEG 任务已有明确的离散事件分组及跨试次重复事件定义，可假设复用“整体共现超边＋重复子集超边”，但需改造节点、重复关系和增强规则。低信噪比、跨被试差异及小数据可能使重复噪声被错误强化，通道差异也可能破坏节点对应。一个小规模可证伪实验是在固定被试内划分与同一解码器下，对比池化、仅整体超边及加入重复子集超边，检查收益是否稳定；这只是迁移假设，已有 EEG 相关工作尚未检索确认。