本文介绍了 GPT4Rec，一种基于生成模型和搜索引擎的新型灵活推荐系统，它通过多查询生成技术和基于 BM25 的搜索引擎来更好地捕获用户兴趣，提高推荐的相关性和多样性。

Apr, 2023

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。

Nov, 2023

ChatGPT 在自然语言理解方面取得了显著的成功。为了将 ChatGPT 的基本模式应用于推荐任务，我们在项目索引级别上设计了一个新的聊天框架。我们的创新主要包括模型、训练和推断等三个方面。通过在离线公共数据集和在线 A/B 测试中进行实验证明了我们提出方法的有效性。

Apr, 2024

提出了 HetGPT，一种通用的后训练提示框架，用于改善预训练的异构图神经网络（HGNNs）的预测性能，并通过多视图邻域聚合机制捕捉异构图中的复杂邻域结构。在三个基准数据集上进行的大量实验证明了 HetGPT 在半监督节点分类方面改进了最先进的 HGNNs 的性能。

Oct, 2023

在这篇论文中，我们研究了 ChatGPT 作为一个前 n 个对话式推荐系统的有效性，通过在 ChatGPT 周围建立一个严谨的流程来模拟用户如何实际查询模型以获得推荐，并通过反馈反复提示以优化推荐。我们进一步探讨了 ChatGPT 推荐中的流行度偏见，并将其与基准模型的表现进行了比较，发现通过反馈反复提示 ChatGPT 是改善推荐相关性的有效策略，并且可以通过提示工程来缓解流行度偏见。

Jan, 2024

本研究探索了 Graph Prompt 作为预训练 GNN 模型适应下游任务的有效替代方法，通过对下游图形的图形级转换进行任务特定的图形提示来实现，从而实现与微调相当甚至在某些情况下获得显著性能提升。

Sep, 2022

本文提出了一种名为 SGL-PT 的新框架，其中采用 “预训练、提示和预测” 的学习策略，通过采用有生成和对比自监导的结构图（SGL）和基于口头指导的方式，将预训练和微调统一到了一起，从而在图分类任务方面取得了较好的成果。

Feb, 2023

我们提出了一种多视角图对比学习方法，并为其设计了提示调整方法，以缩小预训练和下游任务之间的差距。

Oct, 2023

利用生成模型进行推荐系统和个性化问题的初步研究，提出了 Prompt-Model 检索和生成项排序的两阶段框架，并通过 GEMRec-18K 数据集展示了生成模型推荐的潜力和现有评估指标的局限性。

Aug, 2023

图领域图神经网络的简单提示调优方法在各种预训练策略中表现出较高的适应性和通用性，介绍了基于子图级别的通用提示调优方法，相比于微调方法在全样本和少样本情景下取得显著性能提升。

Feb, 2024