研究进展汇报（2026年5月）

捆绑推荐（Bundle Recommendation）——将多个单品（Item）组合为捆绑包（Bundle）进行推荐，而非推荐单个物品——正成为智能推荐领域一个令人兴奋的拓展方向。

近五年来，我们团队围绕这一主题，从数据资源、方法复现、系统综述到创新方法四个维度持续深耕，陆续收获了一些"小确幸"：

1. 发布食品领域首个兼顾个性化与健康性的套餐推荐数据集, MealRec+: A Meal Recommendation Dataset with Meal-Course Affiliation for Personalization and Healthiness, SIGIR 2024.

https://dl.acm.org/doi/10.1145/3626772.3657857

2. 探索"负责任的推荐"——让算法既懂你的口味，也关心你的健康，Boosting Healthiness Exposure in Category-Constrained Meal Recommendation Using Nutritional Standards，ACM TIST 2024.

https://dl.acm.org/doi/10.1145/3643859

3. 从捆绑编辑到捆绑推荐，系统复现并剖析主流方法，A Reproducibility Study of Bundle Editing and Bundle Recommendation, SIGIR 2026.

https://dl.acm.org/doi/10.1145/3805712.3808559

4. 全面综述判别式和生成式捆绑推荐的研究进展，A Survey on Bundle Recommendation: Methods, Applications, and Challenges，ACM Computing Surveys, 2026.

https://dl.acm.org/doi/10.1145/3802820

5. 发现捆绑冷启动具有冷暖混合的特性, Divide-and-Conquer: Cold-Start Bundle Recommendation via Mixture of Diffusion Experts, ACM TOIS, 2026.

https://dl.acm.org/doi/10.1145/3799250

从一个看似"小众"的课题出发，却在深入探索中不断邂逅有趣的发现——这大概就是兴趣驱动型科研的魅力所在吧 ✨