Continual Graph Memory for Adaptive Recommendation under Intent Drift
本文提出 CGM-Rec，一种用于应对意图漂移的持续图记忆自适应推荐框架。该系统将图状态视为可写内存，包含保守更新的语义图记忆和快速反应的 episodic lesson 记忆两个互补组件，测试期间模型参数冻结，仅通过记忆写入实现适应。实验采用冻结参数、单路重排序协议，在多个推荐设置下验证了 CGM-Rec 的性能。结果表明，CGM-Rec 在多数指标上优于神经及 LLM 基线；在 Bundle 的采样候选重排序任务中，其 HR@1 较最强 LLM 基线提升 29.58%，并在 ML-100K 数据集上以 0.5941 的 HR@5 超越 K-RagRec。