CGM-Rec：面向意图漂移的自适应推荐持续图记忆框架
原文标题：Continual Graph Memory for Adaptive Recommendation under Intent Drift
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究提出CGM-Rec框架，将知识图谱视为可写记忆，结合语义图记忆和情景教训记忆，在冻结参数下通过记忆写入适应意图漂移。实验显示CGM-Rec在多个推荐设置上优于神经和LLM基线，HR@1最高提升29.58%。
- 问题
- 推荐系统面对用户意图漂移时，知识图谱被当作静态检索底座，难以适应变化。
- 方法
- 把图状态当作可写记忆，分语义图记忆（质量门控写入）与情景教训记忆（快速记录近期失败与纠正），测试时冻结参数只写记忆。
- 结果
- 采样候选重排下 HR@1 最高提升 29.58%，多数指标优于神经与 LLM 基线。
- 影响
- 给推荐系统提供不改模型权重、靠外部记忆在线纠偏的路径，适合意图快速变化的业务场景。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CGM-Rec把知识图谱当可写记忆应对意图漂移，冻结参数下HR@1最高提升29.58%。
- •将图状态视为可写记忆，分语义图记忆与情景教训记忆两部分。
- •语义图记忆通过质量门控的类型化操作保守更新，只存稳定高置信关系知识。
- •情景教训记忆作为快速反应记忆，学习近期结果、失败案例与纠正提示。
- •测试时模型参数冻结，仅靠记忆写入适应；采样候选重排下HR@1最高提升29.58%，多数指标优于神经与LLM基线。
为什么重要：不重训模型、只写记忆即可跟随用户意图变化，对需要低成本持续适应的推荐系统是一条可落地的路径。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。