我们提出了一个高效的生成模型，同时考虑用户偏好、物品的共现以及一些重要的图结构信息，以解决推荐系统中的问题。通过在四个常用基准数据集上进行实验证明了我们提出的图生成方法在推荐系统中的有效性。

Nov, 2023

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019

本文研究了协同过滤问题中推荐给用户的物品之间的依赖关系模型，提出了一种基于高斯马尔科夫随机场的自动归一参数化和伪似然函数的方法，可以实现计算效率和推荐准确性之间的平衡。通过几个数据集的实验证明了该方法的有效性。

Oct, 2019

利用改进的图卷积网络和针对 Top-K 物品推荐的二值协同过滤方法来应对真实世界中推荐系统中的挑战，并通过将排名信息转化为二值表示来提高在线推荐的效率。

Jun, 2019

本研究针对协同过滤在推荐系统中的广泛应用， 介绍了一个基于余弦相似度的在线协同过滤推荐模型，通过探索物品和用户之间的相似关系，期望最大化用户接受推荐的物品数量。研究结果表明，该算法在不知道用户类型数的情况下，经过几步初始探索，就可达到最佳表现。

Oct, 2014

使用神经模型通过条件扩散框架来恢复掩盖的反馈，在隐式反馈数据上实现了前向扩散，利用图傅里叶变换在图谱域中等效地表征模型，并在一个数据集上大幅超越最先进的方法，并在其他数据集上获得有竞争力的结果。

Nov, 2023

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020

提出了一种名为 “交互图卷积过滤模型” 的新颖方法，通过扩展交互式协同过滤到图模型中，增强用户和物品之间的协同过滤性能，同时采用变分推断技术解决非线性模型的计算难题，以及采用贝叶斯元学习方法有效解决冷启动问题，并对该方法建立理论上的遗憾界限，确保其稳健性能。在三个真实数据集上的广泛实验结果验证了该方法的优越性。

Sep, 2023

本文提出了一个基于图卷积的推荐框架，名为 Multi-GCCF，该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图，并在双分图上执行图卷积，在四个公共基准测试中取得较显著的改进，证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。

Jan, 2020

我们提出了一种基于谱图小波的协同过滤框架，用于隐式反馈数据的个性化推荐，通过将用户、物品及其交互表示为一个二分图，利用自适应转换函数和深度推荐模型，来学习用户和物品的低维表示，同时促进推荐质量。实验证明，相比基准方法，我们的模型在真实世界的基准数据集上取得了更好的推荐效果。

Dec, 2023