GraphPro：用于推荐的图预训练与提示学习

基于GNN的推荐系统已通过多跳消息传递在建模复杂用户-物品交互方面表现出色。然而，现有方法常忽视不断演化的用户-物品交互的动态特性，这阻碍了对变化用户偏好和新到达数据中分布偏移的适应。因此，它们在真实世界动态环境中的可扩展性和性能受到限制。在本研究中，我们提出GraphPro，一个结合了参数高效动态图预训练与提示学习的框架。这种新颖组合使GNN能够有效捕捉长期用户偏好和短期行为动态，从而提供准确且及时的推荐。我们的GraphPro框架通过将时间提示机制和图结构提示学习机制无缝集成到预训练GNN模型中，解决了演化用户偏好的挑战。时间提示机制对用户-物品交互上的时间信息进行编码，使模型自然捕捉时间上下文，而图结构提示学习机制无需持续增量训练即可将预训练知识迁移以适应行为动态。我们进一步引入一种动态评估设置以模拟真实世界动态场景，并更好地缩小离线-在线差距。我们的大量实验包括大规模工业部署，展示了我们的GraphPro在与各种最先进推荐系统集成的轻量级插件可扩展性，强调了GraphPro在有效性、鲁棒性和效率方面的优势。我们的GraphPro的实现细节和源代码可在仓库 https://github.com/HKUDS/GraphPro 获取。