GraphSAIL：面向推荐系统的图结构感知增量学习
信息检索
2020-09-03 v2 机器学习
机器学习
摘要
鉴于通过在线服务收集信息的便利性，推荐系统现在消耗大规模数据，并在改善用户体验方面发挥更重要的作用。随着图神经网络（GNNs）近期的出现，基于 GNN 的推荐模型已展示出将推荐系统建模为用户-物品二部图以学习用户和物品表示的优势。然而，此类模型训练代价高，且难以频繁更新以提供最新的推荐。在这项工作中，我们提出以增量方式更新基于 GNN 的推荐模型，从而大幅减少计算时间并更频繁地更新模型。我们开发了图结构感知增量学习框架 GraphSAIL，以解决以增量方式训练模型时常见的灾难性遗忘问题。我们的方法在增量模型更新期间保留用户的长期偏好（或物品的长期属性）。GraphSAIL 实施一种图结构保留策略，分别显式保留每个节点的局部结构、全局结构和自身信息。我们认为我们的增量训练框架是首个为基于 GNN 的推荐系统量身打造的尝试，并在两个公共数据集上展示了其相对于其他增量学习技术的改进。我们进一步在大规模工业数据集上验证了框架的有效性。
引用
@article{arxiv.2008.13517,
title = {GraphSAIL: Graph Structure Aware Incremental Learning for Recommender Systems},
author = {Yishi Xu and Yingxue Zhang and Wei Guo and Huifeng Guo and Ruiming Tang and Mark Coates},
journal= {arXiv preprint arXiv:2008.13517},
year = {2020}
}
备注
Accepted by CIKM2020 Applied Research Track