A Temporal Graph Network Framework for Dynamic Recommendation

本文讨论了推荐系统在电子商务和流媒体等平台上的重要性，但由于静态数据的依赖，推荐系统往往滞后于用户不断变化的偏好。在提出时间图网络（TGN）后，各种研究表明TGN可以显著改善节点和边的特征随时间动态变化的情况。然而，尽管其具有很大的潜力，但迄今为止还没有直接应用于推荐系统。本研究通过直接在推荐系统中实现TGN，填补了这一空白，这是该领域的首次尝试。我们使用真实世界的数据集和一系列图形和历史嵌入方法，展示了TGN的适应性，并确认了其在动态推荐场景中的有效性。

本论文旨在将Temporal Graph Networks (TGN) 直接应用于推荐系统中，以解决静态数据依赖性导致推荐系统滞后于用户兴趣变化的问题。

论文使用TGN直接实现推荐系统，通过历史嵌入方法和图嵌入方法对真实数据集进行实验，证明了TGN在动态推荐场景中的有效性和适应性。

本论文是首次将TGN直接应用于推荐系统领域，实验结果表明TGN在动态推荐场景中具有较高的性能。论文使用了真实数据集进行实验，提供了开源代码。

最近的相关研究包括Dynamic Graph Neural Networks for Temporal Recommendation和Temporal Attention-based LSTM Networks for Sequence Recommendation等。