?
Efficient Incorporation of New Interactions in Graph Recommenders via Folding-In
Графовые системы рекомендаций стали мощной парадигмой для персонализированных рекомендаций. Однако их зависимость от полного переобучения модели для интеграции новых пользователей или новых взаимодействий создаёт барьеры для масштабирования. В реальных системах рекомендаций эта задача становится невыполнимой из-за чрезмерных затрат времени и ресурсов. Чтобы преодолеть это ограничение, мы предлагаем быстрый и эффективный метод обновления графовых рекомендательных моделей без полного переобучения на новых данных. Вместо изменения всех весов мы модифицируем лишь небольшую долю пользовательских представлений, у которых появились новые взаимодействия. Наш подход обеспечивает ускорение в 700 раз по сравнению с традиционными методами переобучения, значительно снижая вычислительные затраты при сохранении точности рекомендаций. Более того, мы интегрируем наш метод в архитектуру с множественными представлениями, которая объединяет графовые и последовательностные методы для захвата различных представлений пользователей и товаров. Масштабные эксперименты на разнообразных наборах данных демонстрируют, что наш подход достигает современной точности рекомендаций, сохраняя при этом эффективность инкрементальных обновлений, и превосходит существующие методы как по скорости, так и по качеству.