Nov, 2023
图预训练与提示学习在推荐中的应用
Graph Pre-training and Prompt Learning for Recommendation
Yuhao Yang, Lianghao Xia, Da Luo, Kangyi Lin, Chao Huang
TL;DR基于 GNN 的推荐系统可以通过多跳消息传递模型化复杂的用户 - 物品交互，但现有方法往往忽视用户 - 物品交互的动态性，限制了在实际动态环境下的可扩展性和性能。本研究提出了 GraphPL 框架，结合了高效的动态图预训练和提示学习，使 GNN 能够有效捕捉长期用户偏好和短期行为动态，从而提供准确及时的推荐。我们的 GraphPL 框架通过无缝集成的时间提示机制和图结构提示学习机制来解决用户偏好的变化挑战，同时不需要连续增量训练即可将预训练的知识转化为行为动态适应能力。我们还引入了动态评估设置来模拟真实动态场景，并在大规模工业部署中进行了大量实验证明了我们 GraphPL 的轻量级插件可扩展性，并强调 GraphPL 在效果、稳健性和效率方面的优势。