图基推荐系统的归纳迁移学习
机器学习
2025-10-28 v1
摘要
图基推荐系统通常在归纳设置下训练，这限制了其对新用户、新物品或新数据集的适用性。我们提出 NBF-Rec，一种支持跨数据集进行归纳迁移学习的图基推荐模型，其用户和物品集合互不相同。与传统基于嵌入的方法不同，后者需要为每个领域重新训练，NBF-Rec 在推断时动态计算节点嵌入。我们在涵盖电影、音乐、电子商务和地点签到等七个真实数据集上进行评估。NBF-Rec 在零样态设置下实现了与竞争方法相当的性能（即不使用目标域数据进行训练），并通过轻量级微调进一步提升。这些结果表明，图基推荐的归纳迁移是可行的，交互级消息传递支持跨数据集的泛化，而无需对齐用户或物品。
引用
@article{arxiv.2510.22799,
title = {Inductive Transfer Learning for Graph-Based Recommenders},
author = {Florian Grötschla and Elia Trachsel and Luca A. Lanzendörfer and Roger Wattenhofer},
journal= {arXiv preprint arXiv:2510.22799},
year = {2025}
}
备注
Accepted at the New Perspectives in Graph Machine Learning Workshop at NeurIPS 2025