本文聚焦意图漂移场景下的自适应推荐。每一次推荐的反馈可以揭示用于排序的关系证据是有用、缺失还是误导。知识图谱（KG）提供语义结构以应对这些变化，但传统的 KG 增强系统将图视为静态检索基底，难以适应意图演化、噪声元数据和重复失效模式。为此提出 CGM-Rec——一种持续图记忆框架。CGM-Rec 将图状态视为可写内存，包含两大互补组件。
Semantic Graph Memory 通过质量门控的类型化操作保守更新，用于存储稳定且高置信度的关系知识。Episodic Lesson Memory 则作为快速响应的记忆，学习近期结果、失败案例和纠正提示。测试阶段模型参数保持冻结，适应仅通过对记忆的写入实现。
评估采用冻结参数、单遍重排序协议，即编码器和提示在测试期间保持不变，所有适应通过记忆写入完成。实验覆盖多种推荐设置，CGM-Rec 在多数指标上超越神经网络和 LLM 基线。特别是在抽样候选重排序任务中，CGM-Rec 将 Bundle 数据集的 HR@1 提升至最高 29.58% 相比最强 LLM 基线；在元数据丰富的 ML-100K 上，HR@5 达到 0.5941，显著优于 K‑RagRec 的 0.4746。
点评：CGM-Rec 通过将知识图谱转化为可写记忆，实现了在不改动模型参数的前提下快速适应意图漂移，展示了记忆增强推荐系统的潜力。