图采样训练归纳式推荐系统的极限：扩展结果
信息检索
2025-10-06 v1
摘要
归纳式推荐系统能够为新用户和新物品提供推荐，从而避免在新数据到达时重新训练。然而，这些方法仍需在所有可用数据上进行训练，需要多天时间才能训练单个模型，不计算超参数调优。在本文中，我们关注基于图的推荐系统，即将数据建模为异构网络的系统。在其他应用中，图采样允许研究子图并将发现结果推广到原始图。因此，我们调查了采样技术在此任务中的适用性。我们在三个真实数据集上测试，使用三种最先进的归纳方法和六种不同的采样方法。我们发现，仅使用50%的训练数据即可维持性能，训练时间减少了最多86%；但使用更少的训练数据会导致性能显著下降。进一步，我们发现就推荐数据而言，图采样还应考虑时间维度。因此，我们发现若需要更高的数据降低比例，应研究新的基于图的采样技术，以及设计新的归纳方法。
引用
@article{arxiv.2505.14241,
title = {The Limits of Graph Samplers for Training Inductive Recommender Systems: Extended results},
author = {Theis E. Jendal and Matteo Lissandrini and Peter Dolog and Katja Hose},
journal= {arXiv preprint arXiv:2505.14241},
year = {2025}
}