GPT4Rec：面向流式推荐的图提示调优

在个性化推荐系统领域，适应不断变化的用户偏好以及新用户和新物品的持续涌入是首要挑战。传统模型通常依赖静态的训练-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，已然成为一种新型解决方案。然而，现有方法要么依赖历史数据回放，这由于数据隐私法规的日益严格而日益难以实施；要么无法有效解决过度稳定问题；要么依赖模型隔离和扩张策略。为克服这些困难，我们提出了GPT4Rec，这是一种用于流式推荐的图提示调优方法。给定不断演变的用户-物品交互图，GPT4Rec首先将图模式分解为多个视图。随后，在不同视图中隔离特定的交互模式和关系后，GPT4Rec利用轻量级图提示高效地引导模型在用户-物品图中的各种交互模式之间。首先，节点级提示用于指示模型适应图中 individual 节点的属性或属性的变化。其次，结构级提示引导模型适应图中更广泛的连通性和关系模式。最后，创新性地设计了视图级提示，以促进来自多个解缝视图信息的聚合。这些提示设计使GPT4Rec能够综合理解图的全面情况，确保所有关键的用户-物品交互方面都被考虑并有效集成。在四个多样化的真实世界数据集上进行的实验表明，本方案的有效性和效率。