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至关重要的挑战。传统模型通常依赖于静态的训练-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,作为一种新颖的解决方案,受到了学术界和工业界的高度关注。然而,现有的方法在这一领域要么依赖历史数据重放,这在严格的数据隐私法规下变得越来越不切实际;要么无法有效解决过度稳定性问题;要么依赖模型隔离和扩展策略,需要大量模型扩展并因大参数集的耗时更新而受阻。

为了解决这些困难,我们提出了GPT4Rec,一种用于流式推荐的图提示微调方法。在不断演变的用户-物品交互图中,GPT4Rec首先将图模式解缠到多个视图中。在不同视图中隔离特定的交互模式和关系后,GPT4Rec利用轻量级图提示有效引导模型在用户-物品图中的不同交互模式中进行适应。首先,节点级提示用于指导模型适应图中各个节点属性或特性的变化。其次,结构级提示引导模型适应图中更广泛的连接和关系模式。最后,视图级提示创新性地设计用于促进从多个解缠视图中聚合信息。这些提示设计使GPT4Rec能够综合理解图结构,确保考虑并有效整合用户-物品交互的所有重要方面。

在四个不同的真实世界数据集上的实验结果表明,我们提出的方法在效果和效率上均表现出色。

成为VIP会员查看完整内容
16

相关内容

【CVPR2024】MoReVQA:探索视频问答的模块化推理模型
【ICML2023】POUF:面向提示的大型预训练模型无监督微调
专知会员服务
36+阅读 · 2023年5月18日
【CVPR2022】提示分布学习
专知会员服务
29+阅读 · 2022年5月17日
专知会员服务
21+阅读 · 2021年9月27日
专知会员服务
36+阅读 · 2021年4月18日
专知会员服务
29+阅读 · 2021年2月21日
【WWW2021】基于图神经网络的社交好友排序
专知会员服务
48+阅读 · 2021年2月3日
【ICML2020】持续终身学习的神经主题建模
专知会员服务
36+阅读 · 2020年6月22日
【AAAI2021】自监督对应学习的对比转换
专知
12+阅读 · 2020年12月11日
【KDD2020】动态知识图谱的多事件预测
专知
88+阅读 · 2020年8月31日
国家自然科学基金
15+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
13+阅读 · 2013年12月31日
Arxiv
145+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
362+阅读 · 2023年3月31日
Arxiv
60+阅读 · 2023年3月26日
Arxiv
128+阅读 · 2023年3月24日
Arxiv
19+阅读 · 2023年3月17日
VIP会员
相关VIP内容
【CVPR2024】MoReVQA:探索视频问答的模块化推理模型
【ICML2023】POUF:面向提示的大型预训练模型无监督微调
专知会员服务
36+阅读 · 2023年5月18日
【CVPR2022】提示分布学习
专知会员服务
29+阅读 · 2022年5月17日
专知会员服务
21+阅读 · 2021年9月27日
专知会员服务
36+阅读 · 2021年4月18日
专知会员服务
29+阅读 · 2021年2月21日
【WWW2021】基于图神经网络的社交好友排序
专知会员服务
48+阅读 · 2021年2月3日
【ICML2020】持续终身学习的神经主题建模
专知会员服务
36+阅读 · 2020年6月22日
相关基金
国家自然科学基金
15+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
13+阅读 · 2013年12月31日
微信扫码咨询专知VIP会员