Folding-In-MRGSRec
В репозитории опубликован код Folding-In-MRGSRec — метода для быстрого обновления графовых рекомендательных моделей после появления новых взаимодействий. Авторы работают с практической проблемой таких рекомендательных систем, где новые действия пользователей обычно требуют полного переобучения модели. В реальных задачах это быстро становится дорогим и неудобным, особенно если рекомендации должны меняться почти сразу после новых кликов, покупок или просмотров. Вместо обновления всех весов Folding-In меняет только небольшую часть пользовательских представлений, связанных с пользователями, у которых появились новые взаимодействия. Метод встроен в MRGSRec, модели с множественными представлениями, объединяющую графовую часть на LightGCN и последовательную часть на SASRec. Графовая компонента отвечает за глобальные связи между пользователями и объектами, а sequential-компонента лучше ловит локальную историю конкретного пользователя. Эксперименты проведены на MovieLens-1M и трёх датасетах Amazon. Folding-In-MRGSRec показывает лучшее качество среди рассмотренных графовых, последовательных и бейзлайнов с множественными представлениями. Работа будет полезна исследователям рекомендательных систем и ML специалистам в области рекоменлдаций.
статья | код
В репозитории опубликован код Folding-In-MRGSRec — метода для быстрого обновления графовых рекомендательных моделей после появления новых взаимодействий. Авторы работают с практической проблемой таких рекомендательных систем, где новые действия пользователей обычно требуют полного переобучения модели. В реальных задачах это быстро становится дорогим и неудобным, особенно если рекомендации должны меняться почти сразу после новых кликов, покупок или просмотров. Вместо обновления всех весов Folding-In меняет только небольшую часть пользовательских представлений, связанных с пользователями, у которых появились новые взаимодействия. Метод встроен в MRGSRec, модели с множественными представлениями, объединяющую графовую часть на LightGCN и последовательную часть на SASRec. Графовая компонента отвечает за глобальные связи между пользователями и объектами, а sequential-компонента лучше ловит локальную историю конкретного пользователя. Эксперименты проведены на MovieLens-1M и трёх датасетах Amazon. Folding-In-MRGSRec показывает лучшее качество среди рассмотренных графовых, последовательных и бейзлайнов с множественными представлениями. Работа будет полезна исследователям рекомендательных систем и ML специалистам в области рекоменлдаций.
статья | код