【WWW2024】GraphPro：推荐系统中的图预训练与提示学习

GNN（图神经网络）基础的推荐系统在捕捉复杂的用户-物品交互方面表现出色，通过多跳消息传递实现。然而，这些方法往往未能考虑到用户-物品交互的动态特性，导致在适应用户偏好变化和新数据分布方面面临挑战。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。在我们的研究中，我们引入了GraphPro，一个将动态图预训练与提示学习以参数高效的方式结合起来的框架。这种创新的结合使得GNN能够熟练掌握持久的用户偏好和短暂的行为变化，从而提供精确且最新的推荐。GraphPro通过将时间提示机制和图结构提示学习机制整合到预训练的GNN架构中，解决了用户偏好变化的问题。时间提示机制将时间相关信息印刻到用户-物品交互上，使模型能够固有地吸收时间动态，而图结构提示学习机制允许将预训练的洞见应用于新的行为动态，而无需持续的重训练。我们还引入了一个动态评估框架，用于推荐以更好地反映现实世界情况并缩小线下-线上差距。我们的全面实验，包括在大规模工业环境中的部署，证明了GraphPro与各种领先推荐器的无缝插拔扩展性，凸显了GraphPro在有效性、鲁棒性和效率方面的优越性。我们的GraphPro实现细节和源代码可在https://github.com/HKUDS/GraphPro 仓库中获得。

https://www.zhuanzhi.ai/paper/24c985ddf12d8b3e20863b0405c31d97