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涌现的新用户和物品的挑战至关重要。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，已成为一种新颖的解决方案。然而，该领域中现有的方法要么依赖于历史数据重放，由于严格的数据隐私法规而越来越不可行；要么无法有效解决过度稳定性问题；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后，GPT4Rec利用轻量级图形提示，有效地引导模型跨越用户-物品图中的不同交互模式。首先，节点级提示被用来指导模型适应图中各个节点的属性或特性的变化。其次，结构级提示指导模型适应图中更广泛的连通性模式和关系。最后，视图级提示被创新性地设计出来，以促进从多个分离的视图中聚合信息。这些提示设计使GPT4Rec能够综合理解图形，确保考虑和有效整合用户-物品交互的所有重要方面。在四个不同的真实数据集上的实验证明了我们提出的方法的有效性和效率。

论文旨在解决个性化推荐系统中不断变化的用户偏好和新用户、新物品的不断涌现的问题。传统模型难以跟上这种动态需求的步伐。现有的流式推荐方法要么依赖于历史数据回放，要么无法有效解决过度稳定性问题，要么依赖于模型隔离和扩展策略。本文提出了一种名为GPT4Rec的图形提示调整方法，旨在解决这些难题。

GPT4Rec首先将用户-物品交互图解开为多个视图，然后利用轻量级图形提示来引导模型跨越用户-物品图中不同的交互模式。这些提示设计使GPT4Rec能够综合理解图形，确保考虑并有效整合用户-物品交互的所有重要方面。

本文提出了一种新的流式推荐方法，名为GPT4Rec，它使用了图形提示调整方法。实验结果表明，GPT4Rec在四个不同的真实数据集上表现出了高效和有效的推荐效果。本文的亮点包括：使用了轻量级图形提示来引导模型跨越用户-物品图中不同的交互模式；通过将用户-物品交互图解开为多个视图，使模型能够综合理解图形；实验结果表明，GPT4Rec在四个不同的真实数据集上表现出了高效和有效的推荐效果。

在个性化推荐系统领域，最近进行了许多相关研究。例如，基于图的推荐方法、深度学习方法等。