GPT4Rec: Graph Prompt Tuning for Streaming Recommendation

在个性化推荐系统领域，适应不断变化的用户偏好和不断增加的用户和物品是至关重要的挑战。传统模型通常依赖于静态的训练-测试方法，难以跟上这些动态需求。流式推荐，特别是通过持续图学习，已经成为一种新颖的解决方案。然而，这个领域中现有的方法要么依赖于历史数据回放，由于严格的数据隐私法规而越来越不切实际；要么无法有效解决过度稳定问题；要么依赖于模型隔离和扩展策略。为了解决这些困难，我们提出了GPT4Rec，一种用于流式推荐的图形提示调整方法。给定不断变化的用户-物品交互图，GPT4Rec首先将图形模式分解为多个视图。在不同的视图中隔离特定的交互模式和关系之后，GPT4Rec利用轻量级的图形提示来有效地引导模型穿越用户-物品图中不同的交互模式。首先，节点级提示被用来指导模型适应图中单个节点的属性或属性的变化。其次，结构级提示指导模型适应图中更广泛的连通性和关系模式。最后，视图级提示被创新地设计用于促进来自多个分解视图的信息的聚合。这些提示设计使得GPT4Rec能够综合理解图形，确保考虑并有效地整合用户-物品交互的所有重要方面。在四个不同的真实世界数据集上的实验证明了我们提案的有效性和效率。

论文旨在解决个性化推荐系统面临的动态用户偏好和新用户、新物品不断涌现的挑战，提出一种基于图神经网络的流式推荐方法。

论文提出了GPT4Rec方法，通过将用户-物品交互图分解成多个视图，并利用轻量级的图提示来引导模型适应不同的交互模式，从而解决了历史数据回放、过度稳定性和模型隔离等问题。

论文的亮点包括：1.提出了一种新的基于图神经网络的流式推荐方法；2.设计了三种不同层次的图提示来引导模型适应不同的交互模式；3.在四个真实数据集上进行了实验，证明了方法的有效性和效率。

近期相关研究包括《Graph Neural Networks for Social Recommendation》、《Session-based Recommendation with Graph Neural Networks》等。