Efficient Incorporation of New Interactions in Graph Recommenders via Folding-In

User Modelling and User-Adapted Interaction. 2026. Vol. 36. Article 2.

Юсупов В. А., Sukhorukov N., Фролов Е. П.

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.

Ключевые слова: машинное обучение, персонализация, рекомендательные системы, Recommender Systems, machine learning on graphs, Personalization, трансформеры, Transformers, Folding-In