持续图记忆用于意图漂移下的自适应推荐

本文研究意图漂移下的自适应推荐，其中每次推荐结果的反馈可揭示用于排序的关联证据是否有用、缺失或误导。尽管知识图谱（KGs）提供了处理此类变化所需的语义结构，但传统基于图谱的系统将图谱视为静态检索基底，因而对意图演变、噪声元数据和反复失败模式脆弱。本文提出CGM-Rec，一种持续图记忆框架，用于自适应推荐。CGM-Rec将图谱状态视为可写内存，并维护两个互补组件：语义图记忆通过质量门控的类型操作保守更新，用于存储稳定且高置信度的关联知识；而事件性经验记忆作为快速反应内存，学习近期结果、失败案例及纠正提示。在测试阶段，模型参数保持冻结，仅通过内存写入实现适应。实验在固定参数、单次重排序协议下进行，其中编码器和提示在测试中保持不变，适应仅通过内存写入实现。在多个推荐场景下，实验表明CGM-Rec在多数指标上优于评估的神经网络和大语言模型基线。尤其在采样候选重排序场景中，CGM-Rec在Bundle数据集上将HR@1提升至最强大语言模型基线的最高值29.58%；在元数据丰富的ML-100K数据集上，其HR@5达到0.5941，优于K-RagRec的0.4746。