Ultra Fast Warm Start Solution for Graph Recommendations

Ch. 1. P. 5469–5473.

Юсупов В. А., Рахуба М. В., Фролов Е. П.

В этой работе мы представляем быстрый и эффективный линейный подход к обновлению рекомендаций в масштабируемой графовой рекомендательной системе UltraGCN. Решение этой задачи чрезвычайно важно для поддержания актуальности рекомендаций в условиях большого объема новых данных и меняющихся предпочтений пользователей. Чтобы решить эту проблему, мы адаптируем простой, но эффективный подход к низкоранговой аппроксимации в графовой модели. Наш метод позволяет получать мгновенные рекомендации в 30 раз быстрее, чем обычные методы, с повышением качества рекомендаций и демонстрирует высокую масштабируемость даже для датасетов с большим каталогом товаров.

Ключевые слова: scalability, matrix factorizations, матричные факторизации, рекомендательные системы, collaborative filtering, масштабируемость, graph neural networks, графовые нейронные сети, коллаборативная фильтрация, recommender systems, Folding-In, Обновление рекомендаций

В книге

CIKM '25: Proceedings of the 34rd ACM International Conference on Information and Knowledge Management

ACM, 2025.