动态可扩展的图卷积在流式推荐中。
摘要：个性化推荐系统已经被广泛研究和应用，用于减少信息过载和满足用户多样化的需求。然而，传统的推荐模型仅仅进行一次训练和测试，并且很难适应实际世界中用户偏好的变化和不断增加的用户和物品。为了解决这些挑战，流式推荐被提出并近年来引起了广泛关注。其中，连续图学习被学术界和工业界普遍认为是流式推荐的一种有前途的方法。然而，现有的方法要么依赖于历史数据回放，这在日益严格的数据法规下通常不实际，要么很少能解决过稳定性的问题。为了克服这些困难，我们提出了一种新的从“模型隔离”角度出发的动态可扩展图卷积（DEGC）算法，用于流式推荐，这与之前的方法是正交的。基于将过时的短期偏好与有用的长期偏好进行区分的动机，我们设计了一系列的操作，包括图卷积剪枝、细化和扩展，只保留有益的长期偏好相关参数，并提取新鲜的短期偏好。此外，我们对时间上的用户偏好进行建模，并将其用作用户嵌入初始化，以更好地捕捉个体级别的偏好变化。对三个最具代表性的基于GCN的推荐模型和四个工业数据集进行的广泛实验表明了我们方法的有效性和鲁棒性。
作者：Bowei He, Xu He, Yingxue Zhang, Ruiming Tang and Chen Ma
论文ID：2303.11700
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-03-22